#ensakidag 187 – Looking to listen – fantastisk teknik som hjälper oss att lyssna med fokus
Faktaruta, 2026-update, Bedömning och Guldkorn är AI-genererad redaktionell kommentar - skild från JJ:s eget avsnitt.
Beskrivning · den här hjälpte jag AI att skriva // JJ
Det här är en av de där dagarna då JJ är genuint uppskuttad. Han knyter an till ett tidigare avsnitt om suddig bakgrund i video, om att fånga det hjärnan ser snarare än det ögat ser, och visar att samma sak gäller hörseln.
Vi har nämligen något som kallas cocktailparty-effekten. Öronen hör allt, men hjärnan filtrerar och låter dig fokusera på rösten du faktiskt vill höra, även i ett stökigt rum. Forskningen är inte i mål med exakt hur det går till, men man är ganska överens om att synen hjälper till: ser du läpparna röra sig, lättare blir det för hjärnan att vaska fram just de ljudsignalerna.
Och nu har Googles researchgäng gjort samma sak, i ett system med arbetsnamnet ”Looking to Listen”. Det tittar på hur läpparna rör sig i en video och använder det, plus avancerad signalbehandling, för att extrahera en enda röst ur ett myller. Två standup-komiker som pratar samtidigt kan separeras. En person som pratar i kameran på ett bullrigt kafé kan lyftas ren, allt annat släcks ut. Inte tack vare en grym riktmik, utan rent digitalt ur ett brett ljud. Man hör att det är processat, men klarheten är, med JJ:s ord, helt magisk.
Det går att göra i efterhand på film, men förstås också i realtid. Tänk dig glasögon som ser vad du fokuserar på, lurar i öronen, och bearbetningen som sköter resten.
Och här ligger avsnittets själ. Det här är fantastiskt för alla oss som blir lite äldre och märker hur förmågan att sortera ljud minskar, och för alla som lever med en hörselnedsättning. Ett av skälen att man drar sig undan, slutar gå ut och umgås, är just att man inte hör, inte kan delta i samtalet, och då stannar man hemma. Tänk vad det skulle betyda om tekniken kunde få de människorna att kliva ut igen. Hör du vad JJ säger, det här ÄR viktigt.
Transkript · JJ:s egna ord
Faktaruta
AI-kommentarAI-genererat · ej JJ-verifierat- Företag / produkt
- Google Research / Looking to Listen (audiovisuell talseparation, publicerad 11 april 2018)
- Teknik
- Deep learning-modell som kombinerar audiospektrum och läpprörelsesanalys (visuella signaler) för att isolera enskilda röster i brokig ljudmiljö; presenterad på SIGGRAPH 2018
- Tidslinje
- 11 april 2018: Google Research publicerar bloggpost och pre-print (arXiv 1804.03619)
- 2018: Presenteras på SIGGRAPH 2018
- 2020: Liknande teknik integreras i videokonferensverktyg (Zoom, Teams, Meet) som bakgrundsbrussuppression
- 2022–2024: Apple AirPods Pro och AirPods Max introducerar Conversation Awareness / Transparency Mode med fokusljud
- 2026: AI-driven talseparation och bullerdämpning är standard i hörlurar, hörapparater och videokonferens
2026 - vad vet vi nu
AI-kommentarAI-genererat · ej JJ-verifieratLooking to Listen var ett tidigt bevis på att audiovisuell AI-signalbehandling var möjlig i stor skala. 2026 är den underliggande idén – kombinera bild och ljud för att isolera röster – inbakad i produkter som Apples Conversation Awareness, Googles Meet-bullerdämpning och moderna hörapparater. Cocktailpartyproblemet som JJ beskrev är inte löst fullt ut, men för videokonferens och hörlurar har AI-bruset i praktiken eliminerats. JJs vision om ett glasögon-plus-hörlurar-system som förstärker det man fokuserar på är närmast verklighet med Meta Ray-Ban-glasögonen och Apples Vision Pro.
Bedömning
AI-kommentarAI-genererat · ej JJ-verifieratTräffsäkerhet
Tidlöshet
Historiskt värde
Inget egentligt fel. Om något underskattade JJ hastigheten – han presenterade det som framtid, men implementeringen i konsumentprodukter gick snabbare än de flesta väntat sig.
Guldkorn
AI-kommentarAI-genererat · ej JJ-verifierat”Om kopplingen mellan syn och hörsel i cocktailparty-effekten”
”Man är ganska överens om att det har att göra med en kombination med synen också. Genom att du fokuserar på någon och du ser läpparna röra sig och så vidare så hjälper det hjärnan att bearbeta fram just de ljudsignalerna som du är intresserad av.”
”Om vad tekniken kan betyda för socialt deltagande för den med hörselnedsättning”
”Vi vet ju att ett av skälen att man isolerar sig många gånger och inte vill gå ut och umgås med folk är att man har svårt att höra. Man känner att man kan inte delta i samtalen på ett bra sätt och då väljer man att stanna hemma istället.”
”Om realismen i en nära framtid med fokuserat ljud via glasögon och hörlurar”
”Det är ju inte svårt att tänka sig att du har ett par Google Glasses motsvarande på dig som tittar på din omgivning och ser vad du är fokuserad på. Och sen så har du hörlurarna instuckna i öronen.”
Läs mer som detta
AI-kommentarAI-genererat · ej JJ-verifierat- #274#ensakidag 274 – Mailtime, och en STOR överraskning
Delar temat: Wearables & kroppsnära teknik
- #210#ensakidag 210 – Vad händer när tekniken blir allt mer uppkopplad och allt mer osynlig?
Delar temat: Wearables & kroppsnära teknik
- #271#ensakidag 271 – USA översvämmas av Google Home Mini
Delar temat: Wearables & kroppsnära teknik
- #43#ensakidag 43 – CTRL-labs låter dig skriva med tankekraft
Delar teman: AI & maskininlärning, Wearables & kroppsnära teknik
- #472#ensakidag 472 – Musk steppar upp, Neuralink har placerat första implantatet i en människa
Delar teman: AI & maskininlärning, Wearables & kroppsnära teknik
- #496#ensakidag 496 – AI-prylen som skulle utmana mobilen, men som slaktas av recensenterna
Delar teman: AI & maskininlärning, Wearables & kroppsnära teknik
Läst baklänges
”Anders Bjarby har läst om hela arkivet baklänges och gjort varje avsnitt till en byggbar idé - med en ärlig efterhandsläsning och en färdig bygg-prompt.”
Ett fristående projekt av Anders Bjarby.