Forschende der University of Kansas haben mit einem computergestützten Netzwerkmodell die visuellen Grundlagen des Lippenlesens systematisch analysiert. Unter der Leitung von Professor Michael Vitevitch vom Fachbereich Sprache, Gehör und Hörwissenschaft wurde ein visualisiertes Netzwerk von etwa 20.000 englischen Wörtern erstellt, um zu untersuchen, warum bestimmte Wortpaare in der visuellen Kommunikation häufig verwechselt werden. Die Ergebnisse wurden im Journal of the Acoustical Society of America publiziert. Im Gegensatz zu früheren Studien, die sich primär auf die akustische Ähnlichkeit von Phonemen konzentrierten, fokussiert sich dieser Ansatz ausschließlich auf die sichtbaren Artikulationsmerkmale von Lippen, Kiefer und Zunge. Die Forschenden definierten dabei Viseme als visuelle Gegenstücke zu Phonemen und kartierten Wörter entsprechend ihrer optischen Übereinstimmung. Das Netzwerk zeigt, dass sich ähnlich aussehende Artikulationsbewegungen an manchen Stellen unerwartet stark verdichten. Diese visuelle Kompression erklärt, warum Wörter selbst bei unterschiedlichem Klangverlauf leicht gegeneinander ausgetauscht werden. Die Auswertung belegt, dass menschliche Lippenleser typischerweise nur ein oder zwei Viseme falsch erfassen, was die korrekte Wortidentifikation gefährdet. Diese präzise Fehlerklassifizierung legt den Grundstein für optimierte Trainingsprogramme. Durch datenbasiertes Feedback sollen Lernende ihre visuelle Mustererkennung gezielt schärfen und ihre Treffsicherheit messbar steigern. Über die menschliche Anwendung hinaus eröffnet die Forschung wesentliche Möglichkeiten für die Künstliche Intelligenz und digitale Transkription. Moderne Systeme zur automatischen Untertitelung oder Videokonferenz-Transkription nutzen meist nur auditive Daten. Die Integration der visuellen Netzwerkkarten ermöglicht es Algorithmen, Gesichtsbewegungen parallel zur Audiospur auszuwerten. Da KI-Modelle bereits über ausgefeilte Mustererkennungsmechanismen verfügen, lassen sich so hybride Spracherkennungssysteme trainieren, die visuell-akustische Signale fusionieren. Dies verspricht eine deutlich höhere Robustheit bei Hintergrundgeräuschen, Dialekten oder undeutlicher Aussprache. Das Forschungsteam plant, die Netzwerkmodelle weiter zu skalieren und in machine-learning-gestützte Anwendungen zu überführen. Langfristig sollen die Erkenntnisse die Sprachassistenz für gehörlose und schwerhörige Personen verbessern sowie die Genauigkeit automatischer Übersetzungstools erhöhen. Die Studie demonstriert damit, wie die Verknüpfung von linguistischer Netzwerkanalyse und visueller KI die nächste Generation von Spracherkennungslösungen fundamental verbessern kann.