Wie Edge-KI und Mikrofon-Fortschritte Sprachassistenten beschleunigen

Die Erfindung des Telefons vor über 150 Jahren löste eine Kommunikationsrevolution aus. Heute steht ein neuer Quantensprung bevor: KI kann nun Bedeutung aus Schall extrahieren, sodass Geräte auf gesprochene Befehle auf natürlichere, intuitivere Weise reagieren können. Dieser Artikel beleuchtet die aktuelle Landschaft und blickt voraus auf die Technologien, die Sprachassistenten zu allgegenwärtigen Begleitern machen werden.

„Mr. Watson, kommen Sie her…“

Alexander Graham Bells Erklärung von 1876 markierte die erste elektrische Übertragung von Schall – ein Durchbruch, der unsere Art zu arbeiten, leben und spielen nachhaltig veränderte. Diese grundlegende Innovation bildet bis heute das Fundament für Fortschritte in der Mensch-Maschine-Interaktion.

Das erste Jahrhundert des Telefonnetzes verband Menschen weltweit. Der Elektronik-Boom der letzten fünf Jahrzehnte machte Sprache und Video zu tragbaren, drahtlosen Gesprächen. Im aktuellen Jahrzehnt sind wir über Freisprechgespräche zwischen Menschen hinaus zu Gesprächen mit Maschinen gelangt – ein Übergang, der die nächste Innovationswelle antreibt.

Aktueller Stand: Cloud-basierte Assistenten

Moderne Smartphones, Smart Speaker und andere vernetzte Geräte beherbergen mittlerweile integrierte Sprachassistenten, die von cloud-basierten Deep-Learning-Modellen angetrieben werden. Diese Assistenten ermöglichen es Nutzern, Fragen zu stellen und Aktionen mit einfacher gesprochener Sprache auszulösen. Laut Statista würden bis 2020 schätzungsweise 1,8 Milliarden Menschen über ein Gerät, das sie bei sich tragen, und über zusätzliche Plattformen in ihren Häusern, Büros und anderen Umgebungen auf einen Sprachassistenten zugreifen.

Herausforderungen: Latenz, Bandbreite, Privatsphäre

Trotz schneller Adoption stehen Sprachassistenten vor erheblichen Hürden. Latenz ist ein Hauptproblem: Menschliche Konversation beruht auf Reaktionszeiten unter 100 Millisekunden, während aktuelle Systeme oft Verzögerungen von mehreren Sekunden aufweisen. Diese Verzögerungen resultieren aus der Notwendigkeit, Audio lokal aufzuzeichnen, es zur Verarbeitung in die Cloud zu senden und dann eine Antwort zurückzuerhalten. Niedrigqualitative Audiostreams werden gesendet, um Bandbreite zu sparen, was die Fehlerquote erhöht. Zudem verschlimmern variable Internetgeschwindigkeiten die Timing-Unstetigkeiten.

Trotz dieser Einschränkungen bleibt die Verbraucherbegeisterung hoch. Der Absatz von Smart Speakern – der ersten Gerätekategorie mit integrierten Sprachassistenten – ist mit einer Rate gewachsen, die dem frühen Smartphone-Boom vergleichbar ist. 2018 stiegen die US-Geräteverkäufe um 40 % auf 66,4 Millionen Einheiten, was die Gesamtzahl auf 133 Millionen Smart Speaker brachte. Das entspricht knapp über 26 % der US-Erwachsenen, laut voicebot.ai.

Edge Computing als Lösung

Die Verbesserung des Konversationsflusses wird weitgehend davon abhängen, die Verarbeitung näher an den Nutzer zu bringen. Edge Computing ermöglicht KI-Inferenz direkt auf dem Gerät und reduziert die Abhängigkeit von Cloud-Konnektivität. Die Vorteile sind klar: schnellere Antworten, geringerer Stromverbrauch und erhöhter Datenschutz, da Audiodaten die lokale Umgebung nicht verlassen müssen.

Infineons kürzliche Demonstration des weltweit energieeffizientesten Edge-Keyword-Erkennungschips veranschaulicht diesen Trend. Durch Lokalisierung von Audio-Aufnahme, Berechnung und Speicherung können Edge-Lösungen sensible Daten – wie Atemgeräusche zur Erkennung von Schlafapnoe – verarbeiten, ohne persönliche Informationen in die Cloud zu senden. Nutzer können dann entscheiden, wann und wie sie Erkenntnisse teilen, was das Vertrauen in Gesundheitsüberwachungs-Anwendungen erhöht.

Hardware-Fortschritte treiben Edge-KI voran

Hardware-Entwicklungen, insbesondere spezialisierte Deep-Learning-Chips von Partnern wie Syntiant, beschleunigen die Bereitstellung von KI auf Edge-Geräten. Innerhalb weniger Jahre werden Milliarden von Menschen täglich mit Sprachassistenten interagieren, die sich fast menschlich anfühlen, während die zugrundeliegende Technologie batteriebetriebene Audioerkennung über ein breites Spektrum von Anwendungsfällen ermöglicht.

Jenseits von Consumer-Geräten

Stimmenbasierte KI wird in die Sensorsuiten smarter Maschinen integriert und trägt zu Industrie 4.0, autonomen Fahrzeugen, Smart Factories und stadtweiten Sicherheitssystemen bei. Beispielsweise können Autos „Verkehrsgeräusche hören“, um Hindernisse außerhalb der Sichtlinie zu erkennen, Fabriken können Geräteprobleme durch akustische Signaturen vorhersagen, und städtische Infrastruktur kann Behörden auf Ereignisse wie Glasbruch oder Unfälle aufmerksam machen.

— Pradyumna Mishra, Entrepreneur-in-Residence, Infineon Technologies