Humanoid ist eine KI-gestützte Anwendung zur Bildbearbeitung, die per Handgesten und Sprache gesteuert wird. Die Bewegungen der Hände werden per Kamera erfasst, wobei das Zusammenführen der Fingerspitzen einen „primed“-Zustand aktiviert, der mit einem Mausklick vergleichbar ist. Mit beiden Händen können virtuelle Boxen erstellt und verschoben werden. Deren Inhalt lässt sich anschließend per Sprachbefehl als Foto speichern. Ein sprachbasierter KI-Assistent reagiert auf englische Befehle wie „pin“, „fix“ oder „take a screenshot“ und gibt akustisches Feedback. 

Ziel des Projekts war es, eine zugängliche, intuitive Softwarelösung zu entwickeln, die die Arbeit mit Bildern, etwa während Meetings oder Gruppenarbeiten, erleichtert. Langfristig soll Humanoid die Grundlage für ein vollständig gesten- und sprachgesteuertes System für die Bildbearbeitung und Modellierung in 2D und 3D bilden.

Benjamin Gruber (*2007) begann schon früh, sich mit moderner Technik auseinanderzusetzen. Zurzeit besucht er die IT-HTL Ybbs im 4. Jahrgang Medientechnik. Er programmiert seit über vier Jahren täglich und hat bereits mehr als 20 größere Projekte umgesetzt. Zu seinen Hobbys zählen Programmieren, Mathematik, Klavierspielen und Computerspiele. Er experimentiert gerne mit Neuem und versucht Wissen aus den unterschiedlichsten Bereichen zu kombinieren, um Innovationen zu schaffen. 

Das Projekt beeindruckt durch seine innovative Kombination von Hand-, Gesten- und Gesichtserkennung mit Sprachsteuerung – umgesetzt als lokal laufende Python-Anwendung, die ganz auf immersive und intuitive Interaktion mit digitalen KI-Umgebungen setzt. Besonders hervorzuheben ist der Fokus auf Barrierefreiheit: Die Idee, Menschen mit Einschränkung durch gesten- und sprachbasierte Interfaces den Zugang zu digitalen Inhalten zu erleichtern, zeigt gesellschaftliches Bewusstsein und Weitblick. Obwohl sich das Projekt noch in einer frühen Entwicklungsphase befindet, überzeugt es durch technisches Verständnis und einen bemerkenswert eigenständigen Zugang. Humanoid überzeugt auch durch die vielversprechenden Anwendungsmöglichkeiten einer Weiterentwicklung. Die Kombination der eingesetzten Technologien – von MediaPipe über OpenCV bis zur sprachgesteuerten Interaktion – ist beachtlich!