Technologie die hersenactiviteit in spraak omzet kan transformatief zijn voor patiënten met ernstige spraakstoornissen. Indrukwekkende resultaten werden bekomen met het decoderen van intracraniale signalen, meer bepaald elektrocorticografie (ECoG), geregistreerd tijdens uitgevoerde of waargenomen spraak. Doch om aan de noden van deze patiënten tegemoet te komen zou de focus moeten liggen op niet-gevocaliseerde spraak, ook ingebeelde of inwendige spraak genoemd. Doch spijts intensief onderzoek blijft dit een ongrijpbare uitdaging. We menen dat verdere ontwikkelingen worden belemmerd doordat spraakdecoders offline, per subject en spraakmode worden ontwikkeld, met als argument dat de acuut geïmplanteerde ECoG electroden een klinisch doel dienen en dat de tijd voor experimenten beperkt is. We stellen een nieuwe meerwegsdecoder voor die rekening houdt met de niet-lineaire relatie tussen ECoG en spraakkenmerken, die geschikt is voor online-applicatie, en die de transfer van modelkennis faciliteert over spraakmodi en subjecten heen. We gaan dan de decoder ontwikkeld via modeltransfer gebruiken om auditieve feedback aan het subject aan te bieden terwijl deze inwendige spraak probeert te genereren. We hypothetiseren nl. dat inwendige spraak ook van het subject een leerproces vergt. Wanneer dit project succesvol is kan het bijdragen tot toekomstige ontwikkelingen gebaseerd op chronische implantaten om te voorzien in de communicatienoden van patiënten met ernstige spraakstoornissen.