Kan AI förutsäga mänskligt tal från hjärnaktivitetsmönster ?

Senaste genombrotten inom neurovetenskap och AI har möjliggjort system som kan avkoda neurala signaler till begripligt tal. Forskare har tränat modeller på fMRI- eller ECoG-data för att rekonstruera ord eller meningar som en person föreställer sig. Denna teknik skulle kunna revolutionera kommunikationen för personer med talnedsättningar. Modellerna bygger på komplexa neurala nätverk som lär sig samband mellan hjärnaktivitet och språk.

Forskare har gjort betydande framsteg inom utvecklingen av tekniker som kan förutsäga mänskligt tal utifrån hjärnaktivitetsmönster, med potentiella tillämpningar inom områden som neuroproteser och hjärna-dator-gränssnitt. Nya studier har använt elektrokortikografi och funktionell magnetresonanstomografi för att registrera hjärnaktivitet medan deltagare talar eller föreställer sig att tala, och sedan använt maskininlärningsalgoritmer för att avkoda de neurala signalerna till talmönster. Dessa algoritmer kan identifiera specifika ljudmönster, såsom vokaler och konsonanter, och till och med rekonstruera enkla ord och fraser. Dock är noggrannheten och komplexiteten i det förutsagda talet fortfarande begränsad, och ytterligare forskning krävs för att förbättra tekniken. En av de största utmaningarna är den höga variabiliteten i hjärnaktivitetsmönster mellan individer och till och med inom samma individ över tid. Trots dessa utmaningar har förmågan att förutsäga mänskligt tal utifrån hjärnaktivitetsmönster potential att revolutionera kommunikationen för personer med allvarliga tal- eller språkstörningar. Nuvarande system är vanligtvis begränsade till enkla talmönster, men pågående forskning syftar till att förbättra komplexiteten och noggrannheten i det förutsagda talet. Utvecklingen av denna teknik är ett aktivt forskningsområde, med flera studier och projekt för närvarande igång för att främja fältet.

+- administrerad 13 maj 2026 · Källa: National Institute of Neurological Disorders and Stroke — https://www.ninds.nih.gov/