Die Sprache der Katze

Katzen verbergen ihre Stimmung im Gesicht — aber sie verraten sie im Klang. Du baust die zweistufige Kette aus dem Buch nach: erst die Art des Lauts, dann — trainiert an echten Daten — das Gefühl im Miau.

Worum es geht

Hund und Pferd tragen ihre Stimmung nach aussen — in Haltung und Gesicht. Die Katze hält sie verborgen. Dafür redet sie mit uns: Das Miauen setzen erwachsene Katzen fast nur gegenüber Menschen ein, untereinander kaum. Wenn wir eine Katze lesen wollen, hören wir also nicht auf das Gesicht, sondern auf den Klang.

Und der Klang wird lesbar wie alles in diesem Buch: Wir machen ein Bild daraus. Ein Spektrogramm zeigt die Frequenzen eines Lautes über die Zeit — und schon greift dieselbe Bilderkennung, die sonst Katze von Hund unterscheidet. Aus einem Fauchen, einem Schnurren, einem Miau werden Zahlen, und aus den Zahlen eine vorsichtige Vermutung.

Ein bisschen Hintergrund

Zwei Ohren, die nacheinander hören. Im Buch stecken zwei Modelle hintereinander. Das erste, „Beti“, sortiert einen Laut zunächst grob nach seiner Art und liegt dabei in etwa 85 von 100 Fällen richtig. Schon das verrät etwas: Ein Fauchen klingt nach Stress, ein Schnurren nach Behagen. Beim Miau aber bleibt das Gefühl offen — und hier übernimmt das zweite Modell, „Kisha“, das allein auf Miaus spezialisiert ist und mit knapp 92 Prozent glücklich, wütend und traurig unterscheidet. Aus dieser Kette wurde die kleine App CatMotion.

Warum echte Daten für die zweite Stufe? „Ist es überhaupt ein Miau?“ ist klanglich leicht — dafür reichen wenige Beispiele. „Wie fühlt sich dieses Miau an?“ ist viel feiner: Die Unterschiede sind subtil, und ein Modell erkennt sie nur, wenn es viele Miaus vieler Katzen gesehen hat. Genau darum lernt Kisha an Hunderten von Beispielen statt an deiner Handvoll — sonst würde es sich Sicherheit nur einbilden.

Die Daten holen

1. Pakete installieren. pip install librosa scikit-learn numpy soundfile.
2. CatMeows herunterladen. Von Kaggle: kaggle.com/datasets/andrewmvd/cat-meow-classification (Zip herunterladen und entpacken). Die Miaus liegen als WAV im Ordner dataset/. Alternativ dieselben Daten auf Zenodo (Datensatz 4008297).
3. Die Etiketten verstehen. Jeder Dateiname beginnt mit dem Situations-Buchstaben: B (Brushing / Streicheln), I (Isolation), F (Food / Futter). Die genaue Namensregel steht auf der Dataset-Seite — wirf einen Blick hinein, bevor du weitermachst.
4. Optional: eigene Testlaute. Nimm ein paar Miaus deiner eigenen Katze auf (test_miau.wav), um das fertige Modell an frischem Material zu prüfen.

Stufe 1 — die Art des Lauts („Beti“)

Die grobe Einteilung ist klanglich leicht — dafür genügen ein paar eigene Aufnahmen je Art. Aus jedem Laut ziehen wir eine handliche Zahlenreihe: die MFCC, einen kompakten Fingerabdruck des Klangs, den librosa direkt liefert. Der vollständige Code liegt auf GitHub.

import librosa
import numpy as np
from sklearn.neighbors import KNeighborsClassifier

def merkmale(datei):
    y, sr = librosa.load(datei)                 # Laut laden
    mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
    # Mittelwert und Streuung ueber die Zeit -> ein Fingerabdruck des Klangs
    return np.concatenate([mfcc.mean(axis=1), mfcc.std(axis=1)])

# ein paar eigene Aufnahmen je Art (Art ist klanglich leicht zu trennen)
training = [
    ("fauchen1.wav", "Fauchen"),   ("fauchen2.wav", "Fauchen"),
    ("schnurren1.wav", "Schnurren"), ("schnurren2.wav", "Schnurren"),
    ("zwitschern1.wav", "Zwitschern"), ("zwitschern2.wav", "Zwitschern"),
    ("miau1.wav", "Miau"),          ("miau2.wav", "Miau"),
]
X = np.array([merkmale(d) for d, _ in training])
y = [art for _, art in training]

beti = KNeighborsClassifier(n_neighbors=1).fit(X, y)   # bei wenig Daten: naechster Nachbar
print("Beti sagt:", beti.predict([merkmale("test_miau.wav")])[0])

Stufe 2 — die Stimmung im Miau („Kisha“)

Jetzt der schwere Teil. Kisha lernt nicht an deinen paar Aufnahmen, sondern an den Hunderten Miaus aus CatMeows. Wir lesen den Ordner ein, holen aus jedem Dateinamen die Situation und trainieren — und, ganz wichtig, wir prüfen ehrlich an zurückgehaltenen Daten, wie gut es wirklich ist.

import glob, os
from sklearn.model_selection import train_test_split

ORDNER = "cat-meow-classification/dataset"     # entpacktes Kaggle-Dataset
situation = {"B": "behaglich", "I": "verunsichert", "F": "fordernd"}

X, y = [], []
for datei in glob.glob(os.path.join(ORDNER, "*.wav")):
    kennung = os.path.basename(datei)[0].upper()   # erster Buchstabe = Situation
    if kennung in situation:
        X.append(merkmale(datei))
        y.append(situation[kennung])
X = np.array(X)
print("gelesen:", len(X), "Miaus")

# ehrlich pruefen: ein Viertel zurueckhalten
Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.25,
                                      random_state=0, stratify=y)
kisha = KNeighborsClassifier(n_neighbors=5).fit(Xtr, ytr)
print("Treffer auf ungesehenen Miaus:", round(kisha.score(Xte, yte), 2))

# die volle Kette: erst Art (Beti), dann — nur bei Miau — Stimmung (Kisha)
def deute(datei):
    art = beti.predict([merkmale(datei)])[0]
    if art == "Miau":
        return f"Miau — klingt {kisha.predict([merkmale(datei)])[0]}"
    return art

print(deute("test_miau.wav"))

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Immer wird ein Bild daraus: Gesicht, Stimme, Pflanzensignal — und jetzt der Katzenlaut. Sobald ein Signal ein Spektrogramm ist, liest es dieselbe Maschinerie. Ein Babelfisch, viele Arten.
• Die zweistufige Kette ist ein schönes Muster: eine schwere Aufgabe in eine leichte und eine feine zerlegen — und für die feine echte Daten holen, statt sich mit wenigen Beispielen zu täuschen.
• Halte die Grenze: Der gelesene Laut ist ein Ausdruck in einer Situation, kein Beweis eines Gefühls. Richtig eingesetzt — um früh Stress oder Schmerz zu bemerken — ist so ein Leser Fürsorge; leichtfertig gedeutet wird er zur Projektion.

Erweiterung

• Spektrogramme sichtbar machen. Zeichne mit librosa.display.specshow(librosa.amplitude_to_db(np.abs(librosa.stft(y)))) das Bild einzelner Miaus aus den drei Situationen. Siehst du selbst einen Unterschied?
• Konfusionsmatrix. Lass dir mit sklearn.metrics.confusion_matrix(yte, kisha.predict(Xte)) zeigen, welche Situationen am häufigsten verwechselt werden. Deckt sich das mit deinem Höreindruck?
• Ein echtes Netz. Statt KNN auf MFCC: verwandle jeden Laut in ein Spektrogramm-Bild und trainiere ein kleines Bild-Netz darauf — der Schritt vom Zahlen-Fingerabdruck zur echten Bilderkennung aus Kapitel 3.