Whisper Hörsystem: KI-Rauschunterdrückung

In der heutigen Episode des HearingTracker Podcast spricht Host Steve Taddei mit Dr. Don Schum, dem Leiter der Audiologie bei Whisper. Whisper mit Sitz in San Francisco stellt Hörgeräte her, die Hintergrundgeräusche durch „Denoising" entfernen – ein Prozess, der auf Künstlicher Intelligenz (KI) und Deep Neural Networks (DNNs) basiert. In dem Interview gibt Dr. Schum einen historischen Überblick über die Gründung und Mission von Whisper und erklärt in verständlichen Worten, wie Whisper mithilfe von Spitzentechnologie Whisper-Nutzern hilft, Sprache bei Hintergrundgeräuschen besser zu verstehen.

Podcast-Transkript

Steve Taddei: Hallo, ich bin Dr. Steve Taddei und ihr hört gerade den Hearing Tracker Podcast.

Wenn ihr unsere letzte Episode gehört habt, wisst ihr, dass wir mit künstlicher Intelligenz angefangen haben, nur an der Oberfläche zu kratzen.

Giles Tongue: Im Allgemeinen ist alles, was ein Tier oder ein Mensch tut und das Sie als intelligent beschreiben würden, künstliche Intelligenz, wenn es von einer Maschine durchgeführt wird.

Steve Taddei: Aber wir haben uns hauptsächlich auf echte kabellose Stereo-Ohrhörer konzentriert. Heute in der Show wollte ich sehen, wie maschinelles Lernen und tiefe neuronale Netze in anderen Hörtechnologien verwendet werden, wie zum Beispiel in Hörgeräten.

Ist es die nächste große Sache oder nur ein Schlagwort? Wie genau wird es eingesetzt? Und die wichtigste Frage: Bietet diese Technologie mehr als einen Hauch Hoffnung zur Verbesserung der Sprachverständlichkeit bei Hintergrundgeräuschen? Okay, das ist ein schlechter Witz, aber meine Art, diese Episode und unseren Gast vorzustellen. Um diese Fragen zu beantworten, habe ich mit Dr. Donald Schum gesprochen, und er ist der Leiter der Audiologie bei einem Unternehmen namens Whisper.

Donald Schum: Whisper wurde von einem Gentleman gegründet, der aus dem KI-Bereich im Silicon Valley kam. Er arbeitete für einige der großen Tech-Unternehmen dort. Und er wollte seine Expertise im Bereich KI nutzen, um etwas Neues in einem Unternehmen zu schaffen. Sie hatten auf viele der Möglichkeiten einiger fortgeschrittener Formen von künstlicher Intelligenz geachtet, um das Sprachverständnis zu verbessern und um, weißt du, Sprache-in-Lärm-Anwendungen und solche Dinge zu verbessern.

Also, sie versammelten eine Gruppe von Leuten, die sie aus diesem Silicon Valley-Gebiet kannten und die viel über Audio und Unterhaltungselektronik, Signalverarbeitung und auf jeden Fall KI wussten, um mit dem Bau von Hörgeräten zu beginnen.

Steve Taddei: KI mag neu erscheinen, aber sie hat ihren Weg in die meisten unserer Elektronik gefunden. Du bist wahrscheinlich gerade jetzt nicht weiter als eine Armlänge entfernt.

Siri: Hallo, Hearing Tracker Podcast läuft jetzt.

Steve Taddei: Wenn man ein wenig weiter schaut, fühlt es sich an, als würden wir in einigen unserer liebsten Science-Fiction-Franchises leben. Orte wie die University of Wisconsin haben damit begonnen, spezialisierte Lieferroboter auf dem Campus einzusetzen. Ich habe auch Regalbefüllungsroboter in meinem lokalen Markt gesehen. Darüber hinaus freue ich mich persönlich schon auf ein selbstfahrendes Auto.

All das ist großartig, aber wie kann diese gleiche Technologie bei ohrgestützten Geräten verwendet werden? Welche Vorteile bietet KI wirklich?

Donald Schum: Wenn man viele Daten hat, mit denen man arbeitet, aber nicht sicher ist, was in den Daten ist oder man versucht, Informationen aus den Daten zu extrahieren, ist das genau der Bereich, in dem maschinelles Lernen zum Einsatz kommt.

Maschinelles Lernen ist ein sehr spezialisierter Teil der Welt der KI. Und es könnte viele Informationen verarbeiten und sehr schnell durchsuchen und Informationen extrahieren oder Informationen finden, die in den Daten enthalten sind. Und wenn man an das Sprache-in-Lärm-Problem denkt, das ist genau das, was wir haben. Wir haben viele Daten.

Es gibt so viele Feinheiten in den Details des Sprachsignals, in den Details anderer Sounds in der Umgebung, und das ist ein perfektes Problem für die KI. Weil man viele Daten hat, aber man muss diese Daten sehr schnell durcharbeiten und sehr komplex Muster in diesen Daten finden, die dir etwas sagen können.

Steve Taddei: Don beschrieb dann, wie diese Systeme genau erstellt werden, und einen Prozess namens Offline-Training.

Donald Schum: Maschinelles Lernen funktioniert so, dass man dem System offline Tausende und Abertausende und noch mehr Aufnahmen von Sprache bei Lärm zuführt, und wissen Sie, über Tausende und Abertausende von Stunden Training. Und jedes Mal, wenn ein Signal durch das System geht, wird es an einem Kriterium gemessen, das zeigt, was gut aussieht. Und so lernt es, was gut aussieht, und es sieht das Eingangssignal und denkt sich: „Was muss ich tun, um dieses Signal so zu manipulieren, dass es gut aussieht, dass es dem entspricht, was gut aussieht?"

Je mehr man es trainiert, weißt du, je mehr man Tausende von Stunden Training hinzufügt, desto raffinierter wird es bei der Unterscheidung zwischen dem, was bedeutungsvoll ist, und dem, was nicht bedeutungsvoll ist. In einem Deep-Learning-System oder einem Deep Neural Network oder maschinellen Lernsystem kann das System buchstäblich auf Zehntausenden von Parametern optimieren. Es hängt davon ab, wie viel Rechenleistung verfügbar ist. Das ermöglicht letztendlich die Fähigkeit, auf praktisch Phonem-für-Phonem-Basis zu arbeiten.

Weil jedes Phonem ein eindeutiges akustisches Muster hat. Ein „T" sieht anders aus als ein „Th". Ein „E" sieht anders aus als ein „Ah". Ein Frikativ, sie alle haben alle diese verschiedenen einzigartigen Muster. Und das ist die Art von Dingen, die von einem Deep-Learning-System gelernt werden können.

Steve Taddei: Und laut Don ist dieser Schritt entscheidend. Die Genauigkeit des Systems hängt wirklich von diesem Offline-Training ab. Also, stellt euch vor, man füttert einen Computer mit vielen Audio-Proben von guter, sauberer Sprache.

Saubere Stimme 1: Das Land dort ist reich und angenehm.

Saubere Stimme 2: Vielleicht ist es am einfachsten, sich einen neuen zu kaufen?

Saubere Stimme 3: Ich frage mich, was draußen passiert?

Steve Taddei: Dies dient als Ausgangspunkt für das, was gut ist. Dann beginnen wir, das System zu trainieren, indem wir es mit Sprache zusammen mit Breitband-Rauschen, Schmalband-Rauschen, Restaurant-Lärm und anderen möglicherweise unerwünschten Geräuschen wie Raumambience versorgen.

Letztendlich kann man ein System bekommen, das Spracheingaben in realen Situationen genau erkennen und analysieren kann. Wow, richtig? Und das ist nur ein Beispiel dafür, wie KI in Hörgeräten verwendet wird.

Donald Schum: Es gibt andere Hörgerätehersteller, die KI verwenden, um unterschiedliche Dinge zu tun. Zum Beispiel werden einige Unternehmen die Schallumgebung überwachen und Informationen über die Schallumgebung in die Cloud schicken.

Und dann kommt die Cloud zurück und schlägt Änderungen an den Einstellungen des Hörgeräts vor. Das ist eine Verwendung von KI. Eine andere Verwendung erfolgt durch Bewegungsmelder. Also, wenn jemand ein Beam-Forming-System in seinem Hörgerät hat, das sind Systeme, die unter bestimmten Umständen sehr gut funktionieren, aber wenn man sich durch den Raum bewegt, kann ein Beam-Former sehr desorientierend auf dein Hörgerät wirken. Und so verwenden sie einen Bewegungsmelder, um ihr Beam-Forming auszuschalten. Das ist eine andere Verwendung von KI.

Steve Taddei: Aber wenn ihr euch an diese Diskussion erinnert, die mit der Erwähnung eines Silicon-Valley-basierten Unternehmens namens Whisper begann. Wie verwenden sie künstliche Intelligenz?

Donald Schum: Was wir mit KI tun, ist die Idee, maschinelles Lernen zu nutzen, um in Echtzeit komplexe Sprach-Lärm-Eingaben zu durchsuchen, um Muster zu identifizieren, die wie Sprache aussehen, differentziert von anderen Geräuschen.

Und das in Echtzeit zu tun, so verwenden wir KI. Und eines der Dinge, die wir sehr ernst nehmen, ist die Idee, dass du, wenn du das tust, viel Signalverarbeitungsleistung brauchst. Also, als Whisper gegründet wurde, war eine der Annahmen, dass sie nicht in ihrer Signalverarbeitungsleistung auf das begrenzt sein würden, was in ein Ohrstück [Hörgerät] passt.

Wenn man wirklich die Rechenleistung einsetzen will, die das Problem wirklich verdient, dann muss man zu einem anderen Gerät gehen. Und wir haben ein drittes Gerät in unserem System neben den zwei Ohrstücken, und das ist das Brain.

Steve Taddei: Mehr zum Whisper Brain, wenn wir zurückkommen. Ihr wollt das nicht verpassen, vertraut mir.

Danke, dass ihr den Hearing Tracker Podcast hört. In der Show sprechen wir häufig über Technologien und verschiedene Möglichkeiten, um die Hörbarkeit zu verbessern, wenn Höprobleme bestehen. Die Bedeutung des Schutzes Ihres Gehörs kann jedoch nicht genug betont werden. In den meisten Fällen kann Hörverlust reduziert, verzögert oder sogar vermieden werden, wenn wir sicherere Hörbewohnheiten praktizieren. Ähnliches kann für diejenigen gesagt werden, die bereits Hörverlust haben, denn seien wir ehrlich, dein Gehör kann fast immer noch schlimmer werden.

Zu diesem Zweck und um danke zu sagen für eure kontinuierliche Unterstützung, geben wir ein Paar Minuendo Lossless Earplugs weg. Dies sind nicht deine gewöhnlichen weichen Schaumstoffstöpsel. Sie ermöglichen es dir, die Menge der Schallabschwächung durch einen Schieberegler auf der äußeren Schale der Geräte anzupassen.

Wie tretet ihr bei? Hinterlasst einfach eine ehrliche Bewertung auf Apple Podcast oder teilt diese Episode online. Macht dann einen Screenshot und sendet ihn an steve@hearingtracker.com. Wir geben den Gewinner in der Episode nächsten Monats bekannt. Und keine Sorge, wenn du es nicht bist, du kannst immer noch 20 % auf Minuendo-Produkte mit dem Code STEVESB bekommen.

Willkommen zurück. Vor der Pause hat Don gewissermaßen eine Bombe bezüglich Whisper platzen lassen. Er erwähnte, dass ihr System auf einem externen Gerät über die Ohrstücke hinaus angewiesen ist, um die zusätzliche KI-Verarbeitung zu handhaben. Und das wird das Brain genannt. Scheint angemessen, richtig? Diese Entscheidung, einen dritten Prozessor einzubauen, war notwendig, um die Fähigkeiten traditioneller Hörgerätformfaktoren zu übertreffen.

Also, lass uns tiefer einsteigen und mehr über das Whisper Brain erfahren.

Donald Schum: Das Brain ist dieses dritte Element. Der Signalprozessor, der dem System ermöglicht, eine erhebliche Menge an Rechenleistung praktisch auf das Problem anzuwenden, in Echtzeit diese sehr komplexe Eingabe zu durchsuchen, die Muster zu identifizieren, die es gelernt hat, wie Sprachsignale aussehen, um sie von anderen Geräuschen in der Umgebung zu unterscheiden.

Steve Taddei: Don erzählte mir dann, wie das Brain ein situatives Gerät ist. Man muss es nicht immer verwenden, da die Hörgeräte ohne es normal funktionieren.

Donald Schum: Das Ohrstück wird die Umweltbedingungen überwachen. Und wenn der Pegel, der Gesamtpegel der Umgebung hoch genug ist, und das Signal-zu-Rausch-Verhältnis nicht optimal ist, dann leitet es das Signal zum Brain ab, damit das Brain die Verarbeitung übernimmt.

Wenn das Signal also durch das Brain geht, analysiert das Brain dies in Echtzeit und sucht nach den Mustern, die es beim Offline-Training gelernt hat, um Sprache vom Lärm zu trennen. Wenn es diese Muster sieht, schützt es dann die Teile der Muster, die es für das Sprachsignal hält, und reduziert die Verstärkung oder reduziert das Signalniveau für die Teile, die mehr wie Lärm aussehen. Aber wenn du zum Beispiel nur zu Hause mit einem anderen Familienmitglied bist, das zu Abend isst, ein ruhiges Abendessen, oder nur ruhig Fernsehen schaust, dann brauchst du das Brain nicht. Das Brain ist für wenn der Rest der Familie zum Sonntagsessen vorbeikommt, oder das Brain ist wenn du ins Restaurant gehen wirst, oder zu einer Party oder einer anderen Veranstaltung, wo du wirklich Hilfe brauchst.

Steve Taddei: Okay, Whisper hat mein Interesse definitiv geweckt. Und es gibt eine weitere einzigartige Funktion, die ich denke, wird bei uns allen Anklang finden. Nehmt euch einen Moment Zeit und denkt an eine Zeit, als ihr ein neues Telefon, einen Fernseher, eine Kamera, einen Computer, ein cooles Podcast-Gerät gekauft habt, und unmittelbar nachdem ihr es gekauft habt, bringt das Unternehmen eine brandneue Produktlinie heraus.

Großartig, jetzt seid ihr mit einer vorherigen Generation der Technologie und dem ganzen Bedauern steckengeblieben, das damit einhergeht. Ich habe diese genaue Situation in der Klinik bei Patienten gesehen, die in neue Technologie investieren wollten. Nun, bei Whisper könnte das vorbei sein.

Donald Schum: Wenn ein neues Produkt bereit ist, man einen digitalen Signalprozessor hat, den man dort einbauen kann. Und im Grunde füllt man diesen Prozessor aus und macht alles, was sinnvoll ist. Und so könnte dieses Produkt am Tag des Verkaufs ausgezeichnet sein. Aber drei oder vier Jahre später ist es immer noch genau das gleiche Produkt. Und so entsteht praktisch eine Leistungslücke zwischen dem, was heute Stand der Technik ist, und dem, was vor drei oder vier Jahren, als du das Hörgerät gekauft hast, Stand der Technik war.

Und als Whisper gegründet wurde, war es so, wie „nun, das macht keinen Sinn. Es muss nicht so sein. Wenn man Verarbeitungsleistung reserviert, und sehr wichtig, wenn man die Entwicklungsorganisation des Unternehmens so aufbaut, dass man Upgrades plant, dann kann man dieses Produkt so oft verbessern, wie man möchte.

Einer der Hauptmerkmale unseres Systems ist unsere Fähigkeit, das System regelmäßig zu aktualisieren. Wir führen Upgrades durch, typischerweise alle drei bis vier Monate, wo wir neue Firmware an das System des Benutzers übertragen. Fast jedes Mal, wenn wir ein Upgrade durchführen, verbessren wir fast immer das maschinelle Lernmodell, das wir verwenden.

Steve Taddei: Diese Updates sind großartig, aber es gibt einen kleinen Nachteil. Aufgrund der beschleunigten Verarbeitungs-Updates ist es schwierig, große klinische Studien durchzuführen, die die KI-Verarbeitungsvorteile mit anderen traditionelleren Geräten vergleichen. Don erwähnte, dass sie über private interne Daten verfügen, und diese deuten darauf hin, dass es irgendwo um eine „sechsfache Verbesserung in technisch dem, was wir für das Signal-zu-Rausch-Verhältnis im Vergleich zu einem Marktführer tun können" gibt.

Ich habe selbst ein bisschen nachgeforscht und ein paar akademische Studien gefunden, die technische und klinische Verbesserungen aus diesen Deep-Neural-Network-Systemen unterstützen. Aber diese Technologie steckt noch in ihren Anfängen, und wir brauchen wirklich mehr Forschung.

Während dies wie eine sichere Situation aussehen mag, warnte Don davor, dass es unerwünschte Nebenwirkungen geben kann, wenn es zu weit geht.

Donald Schum: Wann immer man aggressive Manipulation von Audio macht, kann man es verhauen. Egal, was man damit tun will. Man könnte versuchen, etwas Gutes zu tun, aber man könnte auch etwas Schlechtes tun. Und Rauschunterdrückungssysteme hatten immer diese doppelte Art von Anforderungen. Man könnte viel Rauschunterdrückung machen, aber wenn man es zu schnell und zu aggressiv macht, kann es schlecht klingen.

Steve Taddei: Bei traditioneller Modulations-basierter Rauschunterdrückung versuchen Hörgeräte, Frequenzbereiche zu reduzieren, die vom Lärm dominiert werden. Also, wenn es ein tieffrequentes Summen gibt, wie das, das ihr gerade hört, werden diese Bereiche leiser. Aber wenn ich die Tiefenfrequenzen reduziere, ändere ich auch den Klang meiner Stimme.

Andere Algorithmen verfolgen einen anderen Ansatz und versuchen, jeden Lärm mit einem Prozess namens Spektrale Subtraktion auszulöschen. Also, wenn es viel Lärm wie diesen gibt, kann er basierend auf dem akustischen Fußabdruck dieses Geräuschs subtrahiert werden. Wenn diese Prozesse zu weit getrieben werden, können wir Artefakte hören, die mehr Schaden anrichten als Gutes.

Okay, es gibt noch ein weiteres sehr schockierendes und wichtiges Element von Whisper, das wir bisher übersehen haben. Und das ist, wie kann man sie bekommen?

Wir wissen, dass viele Direct-to-Consumer-Self-Fit-Geräte entstehen. Nun, Whisper ist nicht eines davon. Whisper kooperiert mit Hörakustikfachleuten und steht hinter der Wichtigkeit von Fachleuten bei der Anpassung von Hörgeräten.

Donald Schum: Wir sind definitiv daran interessiert zu verstehen, wie die Zukunft aussieht. Und es geht nicht so sehr darum, welche Art von Gerät man einem Patienten gibt. Es geht mehr darum, wie möchten sie ihre Versorgung von ihrem Versorger bekommen? Und wir wissen, dass sie sich an vielen verschiedenen Orten treffen lassen möchten.

Wir glauben, dass es auf dem Markt Platz für verschiedene Wege zum Erfolg bei der Bereitstellung von Hörakustikversorgung gibt. Aber am Ende geht es immer um Hörakustikversorgung. Es geht nicht nur um Technologie. Es geht nicht einfach darum, Technologie zu den Menschen zu bringen und sie dann selbst auszuprobieren. Weißt du, es geht darum, Wege zu finden, um Versorgung zum Patienten zu bringen. Manchmal ist es persönlich und manchmal könnte es aus der Ferne sein, weil das der Patient sucht.

Steve Taddei: Ich möchte Dr. Donald Schum danken, dass er in der Show war und über KI und Whisper gesprochen hat. Um mehr zu erfahren, kannst du Whisper.ai besuchen.

Ich möchte auch Soundbrenner und Minuendo danken, dass sie die oben erwähnte Verloosung unterstützt haben. Diese Episode wurde von mir geschrieben, produziert und sounddesigned mit Hilfe von Dr. Abram Bailey. Wenn du mein volles, unbearbeitetes Gespräch mit Don hören möchtest, geh auf unser Patreon. Und wie immer danke, dass ihr hört.

Minuendo Lossless Earplugs Gewinnspielregeln: Das Gewinnspiel läuft vom 23. März bis 1. April. Es ist nur ein Eintrag pro Person erlaubt und jeder kann ohne Kaufnotwendigkeit teilnehmen. Der Gewinner wird zufällig ausgewählt und während der April-Episode des Hearing Tracker Podcast bekannt gegeben.

Medienattribuierungen: Musik von Coma-Media von Pixabay Musik von Penguinmusic von Pixabay Musik von Dylan-Darby von Pixabay