Apple Patent: Wird Siri bald zum Lippenleser?

In einem kürzlich veröffentlichten Patent gibt Apple einen Einblick in eine potenzielle Zukunft seiner Spracherkennungstechnologie. Statt sich allein auf akustische Eingaben zu verlassen, könnte Siri bald Bewegungen und Vibrationen von Gesicht und Kopf analysieren, um Befehle besser zu erkennen. Doch wie genau könnte das funktionieren und welche Vorteile bringt dieses System?

Fotocredit: Apple / USPTO

Lippenlesen durch Bewegungssensoren

Apples Idee zielt darauf ab, Bewegungssensoren einzusetzen, um zu bestimmen, ob „Bewegungsdaten“ mit einem bestimmten Wort oder Satz übereinstimmen. Anstatt sich auf das Mikrofon zu verlassen, das durch Umgebungsgeräusche irritiert werden kann, sollen diese Sensoren Mund, Gesicht und sogar Nackenbewegungen analysieren. Das Hauptziel ist es, eine zuverlässige und effiziente Spracherkennung zu gewährleisten, selbst in lauten Umgebungen.

Während das Patent den Einsatz von Kameras ausschließt, könnten andere Geräte wie Kopfhörer aus Cupertino oder das Vision Pro Headset als Mittler fungieren und Siri eine ganz neue Dimension der Interaktion bieten. Die genaue Technologie dahinter würde Bewegungssensoren, wie z.B. Beschleunigungsmesser und Gyroskope, nutzen, um subtile Gesichtsbewegungen und Vibrationen zu erfassen. Diese Sensoren würden nicht nur in lauten Umgebungen zuverlässiger sein, sondern auch weniger Strom verbrauchen als ein ständig aktiviertes Mikrofon.

„[Daten] werden von einem Bewegungssensor empfangen, der beispielsweise die Bewegung eines Benutzers aufzeichnet, während der Benutzer eine gesprochene Eingabe macht“, heißt es in der Patentschrift. „Es wird bestimmt, ob ein Teil der Bewegungsdaten mit Referenzdaten für einen Satz von einem oder mehreren Wörtern (z. B. ein Wort oder eine Phrase) übereinstimmt.“

Trotz der faszinierenden Möglichkeiten weist das Patent auch auf Einschränkungen hin. So könnte die Technologie bei komplexeren Befehlen an ihre Grenzen stoßen. Für reguläre Befehle wie „Hey, Siri“ wäre die Bewegungserkennung vermutlich ausreichend, bei weniger häufig genutzten Formulierungen müsste jedoch wahrscheinlich auf die Mikrofone zurückgegriffen werden.