Es gibt alltägliche Dinge, die für Menschen spielend einfach sind, für Computer aber ein schier unlösbares Problem darstellen. Dazu gehört die Identifikation von Sprecherinnen und Sprechern. Bisher gibt es keine Computerverfahren, die verlässlich feststellen können, wann wer spricht, ohne vorgängig zu wissen, wie viele Sprecher, wie viele Aussagen pro Sprecher und welche Reihenfolge zu erwarten sind. Das Institut für angewandte Informationstechnologie (InIT) will das ändern und sucht nach neuen Verfahren zur Lösung des Problems. Mit seiner Bachelorarbeit leistet auch IT-Absolvent Gabriel Eyyi einen Beitrag dazu.

Gabriel Eyyi wendete in seiner Bachelorarbeit eine Methode aus dem Bereich des Machine Learnings an. Damit ist gemeint, dass ein Computerprogramm anhand einer grossen Menge von Beispielen Muster erkennt und Verfahren erlernt, die es anschliessend auch auf neue, unbekannte Daten anwenden kann. Konkret setzte der IT-Absolvent Convolutional Neural Networks ein – kurz CNN. Dozent Thilo Stadelmann erklärt dazu: «CNN sind nicht neu, sondern wurden bereits in den 80er-Jahren entwickelt. Sie basieren auf den Mechanismen, die im Gehirn von Säugetieren ablaufen, wenn sie Bilder erkennen. Darum eignen sie sich besonders gut, um lokale Zusammenhänge in Daten zu erkennen.»

In seiner Bachelorarbeit steht ein Aspekt der Sprache im Zentrum, der bislang eher vernachlässigt wurde. Gabriel Eyyi erklärt: «Der zeitliche Kontext, also wie sich ein Laut über eine kurze Zeit entwickelt, enthält viele sprecherspezifische Informationen. Stellt man sich die Äusserungen eines Sprechers als Spektrogramm vor, können CNN genau diese zeitliche Ausdehnung von Klang auf der horizontalen Achse erkennen lernen.» Mit einer sogenannten siamesischen Architektur – einer Programmierung, die in zwei parallelen Abläufen dieselben Rechenschritte vornimmt – werden dabei jeweils zwei Sprachproben auf die Ähnlichkeit ihrer Sprecher hin untersucht.

Für Thilo Stadelmann steht fest, dass das InIT mit kommenden Bachelorarbeiten auf dem Gebiet der Sprechererkennung mit CNN weiterforschen will. Die Anwendungsgebiete sind vielfältig: «Ein wichtiges Feld sind Sicherheits- und Zutrittssysteme, die bei einer entsprechenden Genauigkeit nicht mehr über Fingerabdrücke oder PIN gesichert werden müssten, sondern mit Sprechererkennung funktionieren könnten.» Eine weitere Möglichkeit wird in der Zusammenarbeit mit der Pädagogischen Hochschule Zürich erforscht. Dabei geht es darum, die Unterrichtsgestaltung zu erforschen und festzustellen, ob neben dem Lehrer auch die Schüler zu Wort kommen.