Die Fähigkeit, mit unserer Stimme Geräusche zu imitieren, wie etwa einen fehlerhaften Automotor oder das Miauen einer Katze, kann ein wirksames Mittel sein, um Konzepte zu vermitteln, wenn Worte unzureichend sind. Diese vokale Imitation ähnelt dem Zeichnen einer schnellen Skizze zur Kommunikation einer Idee. Inspiriert von der Kognitionswissenschaft haben Forscher des MIT CSAIL ein KI-System entwickelt, das ohne vorheriges Training oder Einflussnahme von menschlichen Stimmimpressionen menschenähnliche Imitationen erzeugen kann. Die Forscher konstruierten ein Modell des menschlichen Vokaltrakts, das simuliert, wie Kehle, Zunge und Lippen Klänge aus dem Kehlkopf formen. Ein kognitiv inspiriertes KI-Algorithmus steuert dieses Modell, um Imitationen zu erstellen, wobei berücksichtigt wird, wie Menschen sich entscheiden, Klänge zu kommunizieren. Das Modell kann verschiedene Geräusche imitieren, wie raschelndes Laub, das Zischen einer Schlange oder das Sirenengeräusch eines Krankenwagens. Es kann den Prozess auch umkehren und reale Geräusche aus menschlichen Vokalimitationen erraten, ähnlich wie beim Abrufen von Bildern aus Skizzen. Zum Beispiel kann es zwischen einem von Menschen imitierten "Miauen" und "Zischen" einer Katze unterscheiden. Die Forschung weist auf potenzielle Anwendungen des Modells hin, wie etwa Imitations-basierte Schnittstellen für Sounddesigner, die Verbesserung von KI-Charakteren in virtuellen Realitäten und die Unterstützung von Sprachlernern.

Mitautoren vom MIT CSAIL betonen, dass, wie bei visueller Ausdrucksweise, Realismus nicht immer das ultimative Ziel in der Klangimitation ist. Ihre Arbeit bietet Einblicke in auditive Abstraktion. Um ihr Modell zu verfeinern, entwickelte das Team drei Versionen, beginnend mit einem Basis-Modell, das realistische Klangimitationen anstrebte, aber das menschliche Verhalten nicht gut wiedergab. Danach erstellten sie ein "kommunikatives" Modell, das sich auf die markanten Merkmale eines Geräuschs konzentrierte, was die Ergebnisse verbesserte. Schließlich fügten sie Nuancen hinzu, die den Aufwand berücksichtigen, den Menschen in Imitationen investieren, was zu menschenähnlicheren Ergebnissen führte. In einem Verhaltensexperiment zogen menschliche Richter manchmal KI-generierte vokale Imitationen den menschlichen vor, bei bestimmten Geräuschen. Die Forscher planen, ihr Modell in verschiedenen Bereichen anzuwenden, einschließlich Sprachentwicklung, kindlicher Spracherwerb und Vogelimitationen. Obwohl das Modell noch Herausforderungen gegenübersteht, wie etwa das genaue Imitieren einiger Konsonanten oder sprachübergreifender Klangunterschiede, ist es ein vielversprechender Schritt in Richtung eines tieferen Verständnisses der Rolle von Sprachimitation in Kommunikation und Sprachentwicklung. Die Arbeit betont das Zusammenspiel zwischen physiologischen, sozialen und kommunikativen Faktoren, mit Auswirkungen auf zukünftige Technologien in Musik, Kunst und darüber hinaus.