Lassen Sie vier KI’s einen Satz lippenlesen. Der Test sagt: null Treffer
Dieser Beitrag ist das Transkript zum Video „Lassen Sie vier KI’s einen Satz lippenlesen. Der Test sagt: null Treffer„. Der gesprochene Text wurde bewusst im Original belassen und nur minimal bereinigt. Eine fachliche Anmerkung vorab: Im Video fällt der Begriff „Homophone“, gemeint sind aber „Viseme“, also Laute, die auf den Lippen gleich aussehen.
Okay, legen wir direkt los. Heute schauen wir uns eine wirklich faszinierende Analyse an, quasi ein kleines Comic-Duell. In der einen Ecke die unglaubliche menschliche Superkraft von Judith Harter, einer professionellen Lippenleserin. Und in der anderen Ecke nennen wir ihn einfach mal Robo. Robo steht für die hochgezüchteten KIs unserer Zeit. Sie wissen schon, die Dinger, die blitzschnell Texte schreiben und Bilder malen, als gäbe es kein Morgen. Aber Judith hat sich gedacht: Moment mal, testen wir doch mal diese vermeintliche Allmacht von Robo auf eine ganz besondere, zutiefst menschliche Art und Weise.
Die absolute Kernfrage unserer kleinen investigativen Reise ist also extrem simpel:
Kann KI wirklich Lippen lesen?
Wir nehmen hier die fortschrittlichsten, teuersten Algorithmen der Welt und setzen sie einem Test aus, den ein Mensch mit der richtigen Erfahrung ziemlich locker meistert. Es geht hier also mal nicht um trockenen Code oder komplexe Mathematik, sondern um menschliche Kommunikation in ihrer reinsten visuellen Form. Spannend, oder? Also erste Runde KI gegen Mensch. Das Experiment beginnt.
Für diesen Showdown hat sich Judith nicht einfach irgendein kleines Nischenprogramm ausgesucht. Nein, sie hat sozusagen die Avengers von Team Robo einberufen. ChatGPT, Claude, Grok und Gemini. Wir reden hier wirklich über die absolute Spitze dessen, was der aktuelle KI-Markt so hergibt. Wenn also irgendeine Maschine da draußen Lippen lesen kann, dann muss es definitiv eines dieser vier Modelle sein. Schauen wir uns an, wie das genau abläuft.
Der Drei-Schritte-Test
Und das Beste: Sie können das nachher einfach selbst nachmachen.
Das absolut Großartige an diesem Versuchsaufbau ist, wie simpel er ist. Da braucht man echt kein teures High-End-Labor für. Sie können das buchstäblich am Küchentisch mal ausprobieren. Die Methodik hat drei ganz logische Schritte. Erstens: Man lässt die KI ein Video generieren, in dem jemand spricht. Zweitens: Man filmt das Ganze ab, und zwar komplett ohne Ton. Und im dritten Schritt, da wird’s spannend, bittet man exakt dieselbe KI, dieses stumme Video zu transkribieren. Es ist also ein geschlossener Kreislauf, der unseren Robo mal so richtig ins Schwitzen bringen dürfte. Gehen wir das mal im Detail durch.
Schritt eins: Das Video.
Die KI erstellt das Material. Der Startschuss für das Experiment war ein ziemlich einfacher Befehl an die KI Gemini. Der Prompt lautete wörtlich: „Generiere mir ein Video mit einer Frau mit dem folgenden gesprochenen Text: Ich bin im Urlaub. Wo? Rate mal. Tschüss.“ Und wissen Sie, was das Interessante daran ist? Unser digitaler Freund Robo hat absolut perfekt geliefert. Das generierte Mundbild der Frau war kristallklar, super deutlich und extrem präzise. Das bedeutet also, die KI weiß theoretisch ganz exakt, wie die Lippenbewegungen für genau diesen Satz aussehen müssen. Okay, weiter im Text.
Schritte zwei und drei: Stummgeschaltet.
Jetzt kommt die echte Herausforderung. Jetzt kommt der geniale Twist, bei dem Judith Robos eigene Schöpfung in ein richtiges Rätsel verwandelt. Sie hat das KI-generierte Video abgespielt und, ganz simpel, den Bildschirm mit einem anderen Smartphone abgefilmt. Warum so umständlich? Na ja, um wirklich absolut jeden versteckten Text, jeglichen Ton und sämtliche Metadaten restlos zu löschen. Übrig bleibt nur das nackte, stumme Mundbild. Und das simuliert exakt diese absolut isolierten Bedingungen, denen ein Mensch, also eine Lippenleserin, im echten Leben gegenübersteht. Keine Hilfsmittel, nur die Augen.
(Schau hier, das neu aufgenommene Video ohne Ton, ab Minute 01:05)
Und dann kam der alles entscheidende Befehl an unsere vier KI-Modelle:
„Transkribiere mir dieses Video per Lippenlesen“
Alle vier Systeme sind unter exakt denselben Bedingungen ins Rennen gegangen. Sie bekamen ein wirklich gestochen scharfes, ironischerweise von einer KI erstelltes Video und mussten eigentlich nur ablesen, was da gesagt wird. Für Judith wäre das ein völlig normaler Arbeitsalltag. Kommen wir zum spannenden Teil.
Die KI scheitert. Schauen wir uns die Testergebnisse an. Um es kurz zu machen: Das Ergebnis ist ein ziemlich krachender Fehlschlag für Team Robo. ChatGPT gescheitert, Claude auch gescheitert. Grok und Gemini ebenfalls komplett durchgefallen. Nicht ein einziges dieser hochkomplexen Systeme konnte diesen simplen Urlaubssatz entschlüsseln. Und warum? Der Grund ist faszinierend. Die KI begreift schlichtweg nicht, dass sehr viele Laute auf den Lippen visuell völlig identisch aussehen. In der Fachsprache nennt man das Viseme. Während ein Mensch aus dem Kontext, aus der Situation heraus den richtigen Sinn wählt, rät die Maschine einfach nur völlig blind.
Und das hier illustriert wirklich wunderbar eines der faszinierendsten Paradoxa der modernen künstlichen Intelligenz. Passen Sie auf. Die KI kann aus einem vorgegebenen Text absolut perfekte Mundbilder generieren. Das klappt super, aber sie kann eben keinen Text aus diesen Mundbildern rückwärts lesen. Sie glänzt total bei der Generierung, also beim Erschaffen, aber wenn es um die Analyse echter menschlicher Kommunikation geht und das Ganze ohne tonalen Kontext, dann bricht sie einfach hilflos zusammen. Das bringt uns zum nächsten Punkt.
Der menschliche Vorteil, warum die KI hier einfach verliert.
Warum also scheitert dieser gigantische Supercomputer an einer Aufgabe, die ein Mensch eigentlich ganz gut entschlüsseln kann? Na ja, stellen Sie sich mal die reale Welt vor. Gerade bei historischen Aufnahmen zum Beispiel. Da haben Sie grobe Filmkörnung, harte Schatten, Menschen, die Emotionen zeigen, die weinen oder sich einfach mal mitten im Satz wegdrehen. Wenn unser Robo also schon an einem perfekt ausgeleuchteten frontalen Gesicht aus seinem eigenen Labor scheitert, dann ist die chaotische, echte Realität für ihn schlicht der absolute Albtraum.
Judith bringt das mit diesem einen Satz wirklich perfekt auf den Punkt. Sie sagt: „Das Lippenlesen ist wie eine Muttersprache für mich.“ Und genau das ist der Knackpunkt. Weil eben so viele Laute auf den Lippen gleich aussehen, ist Lippenlesen keine simple mathematische Gleichung, die man einfach mit viel Rechenpower lösen kann.
Es erfordert jahrzehntelange gelebte Erfahrung, menschliche Empathie und eine wahnsinnige Intuition, um die Lücken im Satzbau sinnvoll zu füllen. Und genau dieses echte Einfühlungsvermögen, das fehlt einem Algorithmus im Moment noch komplett.
Die gute Nachricht ist: Die Zukunft ist hier gar kein entweder oder. Eigentlich ergänzen sich KI und Mensch sogar absolut hervorragend. Robos Stärke liegt ganz klar darin, Pixel zu analysieren, historische Filme digital zu restaurieren und alte Aufnahmen gestochen scharf zu machen. Aber Judiths menschliche Stärke bleibt absolut unerlässlich, um das wahre Herzstück des Ganzen zu erfassen, nämlich die gesprochenen Worte und die Emotionen dahinter tatsächlich zu begreifen. Da macht dem Menschen so schnell keiner was vor.
Tja, damit sind wir auch schon am Ende unserer heutigen Analyse angelangt. Aber wissen Sie was? Der Wettbewerb geht weiter. Jetzt sind Sie dran.
Was kommt wohl bei Ihrem eigenen Test heraus? Ich fordere Sie hiermit offiziell heraus.
Schnappen Sie sich nachher mal Ihr Handy. Probieren Sie genau diesen Drei-Schritte-Test mit dem Satz „Ich bin im Urlaub“ einfach mal an Ihrer eigenen Lieblings-KI aus. Es ist total spannend. Stoßen auch Sie an die Grenzen dieser scheinbar allmächtigen Technologie in Ihrer Hosentasche?
Und vor allem, das ist die Frage, die wir uns stellen sollten: Bei welchen anderen menschlichen Superkräften überschätzen wir die KI da draußen vielleicht noch völlig?
Denken Sie mal drüber nach. Bis zum nächsten Mal.
Soweit das Video. Am Ende bleibt die KI beim Lippenlesen raten. Ich nicht.
Häufige Fragen
Wie zuverlässig ist professionelles Lippenlesen?
Wenn das Mundbild gut sichtbar ist, gebe ich viele Sätze komplett und wortgetreu in Text wieder. Dass manche Laute auf den Lippen gleich aussehen, macht das Lippenlesen nicht zum Ratespiel. Ein erfahrener Profi unterscheidet sie durch sprachliches Wissen, jahrelange Erfahrung und den Gesamtzusammenhang. Nach der Filmsichtung sage ich Ihnen präzise, welche Teile Ihres Films lippenlesbar sind.
Wobei können Sie mir helfen?
Bei historischen Filmaufnahmen, stummen oder schwer verständlichen Privatvideos, Aufnahmen für Medien und Produktionen sowie bei Fragen, bei denen es darauf ankommt, was wirklich gesagt wurde.
Was brauchen Sie von mir?
Den kompletten Film in bestmöglicher Qualität. Ich sichte jeden Film vollständig, denn ein kurzer Auszug kann täuschen: Es kann sein, dass jemand in diesem Auszug kaum spricht und in einer anderen Szene umso mehr. Nur die komplette Filmsichtung erlaubt mir eine korrekte Einschätzung auf Basis meiner Berufserfahrung und einen konkreten Kostenvoranschlag. So vermeiden Sie, am Ende deutlich mehr zu zahlen, nur weil ein kurzer Auszug nicht das ganze Bild gezeigt hat.
Was kostet es?
Die Kosten richten sich nach Länge und Aufwand Ihres Films. Schicken Sie mir die Aufnahme, ich unterbreite Ihnen ein konkretes Angebot.
Ist meine Anfrage vertraulich?
Ja. Ihre Aufnahme und Ihr Anliegen behandle ich absolut diskret und gebe sie nicht weiter.
Wenn Sie professionelles Lippenlesen brauchen, für einen Film, eine historische Aufnahme oder ein privates Anliegen, bin ich für Sie da. Schreiben Sie mir kurz, worum es geht.
Diskret und unverbindlich.
