Von der App über die Aufnahme bis zur objektiven Auswertung — anlaut-basiert, präzise und ohne aufwändige Frequenzanalyse.
Ein kurzer Erklärfilm öffnet die „Blackbox“ der Analyse — und zeigt, warum die millisekundengenaue Messung des Sprechbeginns der eigentliche USP ist.
Die Patient:innen-App ist nur die Oberfläche. Der eigentliche Wert entsteht in einem Schritt, den die meisten als Blackbox behandeln: der millisekundengenauen Messung des Sprechbeginns.
Die App zeigt ein Objekt, die Patient:in benennt es laut. Genau das tun konkurrierende Apps auch — eine Aufnahme entsteht. Aber eine Aufnahme allein sagt noch nichts über die Sprachgenesung aus.
Auf api.neurolexi.ch bestätigt eine Spracherkennung das Wort und liefert eine grobe Referenzzeit. Das „Was“ ist gelöst — die klinisch entscheidende Frage ist das „Wann“: die Benennlatenz, der objektive Marker für den Wortabruf.
Doch eine reine Spracherkennung erkennt Wörter — nicht den exakten Moment des Lippenöffnens.
Stimmlose Reibelaute wie /f/ oder /s/ tragen kaum Energie. Einfache Werkzeuge „überhören“ diesen leisen Beginn und schnappen erst beim lauten Vokal zu — der Sprechbeginn wird zu spät gemessen. Bei Aphasie verfälscht das jede Verlaufsmessung.
Die schwache /f/-Reibung beginnt deutlich früher als der Vokal-Einsatz.
Statt teurer Frequenzanalyse arbeitet der Algorithmus rein auf der Wellenform — leicht genug, um künftig live in der App zu laufen.
In der publizierten Studie (Rickert, Altermatt et al., 2026) liegt Neurolexi näher an der manuellen Experten-Messung als etablierte Werkzeuge — und streut deutlich weniger.
9'029 Aufnahmen · 16 Phoneme · schematische Darstellung der publizierten Ergebnisse.
Benennlatenz in Millisekunden — ein harter, vergleichbarer Wert.
Über Sitzungen vergleichbar — Fortschritt wird belegbar, auch zu Hause.
Peer-reviewt mit der FHNW, phonem-spezifisch trainiert.
Rein zeitbasiert — auf dem Weg zur Echtzeit-Messung in der App.
Vier Prinzipien prägen jede Messung — von der Patienten-App bis zum Therapeut:innen-Dashboard.
Hosting in der Schweiz und durchgängige Verschlüsselung schützen sensible Patientendaten.
State-of-the-art-Modelle für Spracherkennung und automatische Benennlatenz-Analyse.
Fortgeschrittene Benennlatenz-Erkennung liefert tiefere Einblicke als manuelles Bewerten.
Aufgebaut auf peer-reviewter Forschung und klinischer Praxis mit Schweizer Institutionen.
Spracherkennung prüft das gesprochene Wort, der FHNW-Algorithmus misst die Reaktion.
Vom einzelnen Patienten bis zum skalierbaren Therapieerfolg.
Zur klinischen Anwendung →