編者按： 語(yǔ)音識(shí)別技術(shù)已經(jīng)成為科技圈的亮點(diǎn)，無(wú)論是百度的度秘，還是搜索剛剛開(kāi)發(fā)的要取代口譯人員的機(jī)器人，語(yǔ)音識(shí)別技術(shù)真的是越來(lái)越強(qiáng)大了。 Jamie Condliff 在本文介紹了新的研究，證明人工智能不僅可以通過(guò)語(yǔ)音識(shí)別人們說(shuō)話內(nèi)容，即使聽(tīng)不到聲音，人工智能已經(jīng)可以順利地讀取唇語(yǔ)了，甚至比人工還要有效很多。

眾所周知，唇讀是非常困難的，很大程度上取決于語(yǔ)言的語(yǔ)境和對(duì)其的了解，而這些都只通過(guò)視覺(jué)來(lái)呈現(xiàn)的。但是研究者們正向我們表明，機(jī)器學(xué)習(xí)能夠比專業(yè)唇讀者更有效地來(lái)識(shí)別那些無(wú)聲視頻的臺(tái)詞。

在一個(gè)項(xiàng)目中，來(lái)自牛津大學(xué)計(jì)算機(jī)科學(xué)系的一個(gè)團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)名為L(zhǎng)ipNet的全新人工智能系統(tǒng)，據(jù)Quartz新聞網(wǎng)站報(bào)道，這個(gè)系統(tǒng)建立在GRID的數(shù)據(jù)集基礎(chǔ)上，而GRID是由人們朗讀三秒鐘句子的清晰的面部視頻合輯構(gòu)成。每個(gè)句子都遵循相同模式的字符串。

這個(gè)團(tuán)隊(duì)用這一數(shù)據(jù)集去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，與執(zhí)行語(yǔ)音辨認(rèn)的性質(zhì)類似。在這一過(guò)程中，盡管神經(jīng)網(wǎng)絡(luò)隨著時(shí)間推移能夠識(shí)別出口型變化，也能學(xué)會(huì)把這一信息與所說(shuō)內(nèi)容的解釋聯(lián)系起來(lái)。但是人工智能系統(tǒng)并不會(huì)斷斷續(xù)續(xù)地分析連續(xù)鏡頭，而是考慮整體內(nèi)容，使得它能夠從分析的句子中理解其中的語(yǔ)境。這一點(diǎn)非常重要，因?yàn)槿藗兊目谛屯热藗儼l(fā)出的聲音要少很多。

測(cè)試的時(shí)候，這一人工智能系統(tǒng)能夠準(zhǔn)確地識(shí)別出93.4%的話語(yǔ)，許多人工唇讀志愿者也做了同樣的測(cè)試，但是準(zhǔn)確率只有52.3%。

據(jù)New Scientist報(bào)道，另外一個(gè)來(lái)自牛津大學(xué)工程科學(xué)系并一直與谷歌的DeepMind這一人工智能系統(tǒng)合作的團(tuán)隊(duì)完成了一項(xiàng)更加困難的的任務(wù)。他們所使用的并不是像GRID那樣整齊一致的數(shù)據(jù)集，而是一系列從英國(guó)廣播公司電視臺(tái)截取的100,000個(gè)小視頻。這些小視頻囊括許多語(yǔ)種，并且其中有不同的光線效果和說(shuō)話人頭部位置的移動(dòng)。

牛津大學(xué)和DeepMind的團(tuán)隊(duì)用了類似的方法，成功地開(kāi)發(fā)出一個(gè)識(shí)別率達(dá)到46.8%的人工智能系統(tǒng)。這遠(yuǎn)遠(yuǎn)超過(guò)了人工識(shí)別的準(zhǔn)確率，人工識(shí)別要做到毫無(wú)差錯(cuò)的準(zhǔn)確率只有12.4%。當(dāng)然，準(zhǔn)確率之所以這么低是有很多原因的，包括從光線和方向轉(zhuǎn)換到更深層次的語(yǔ)言復(fù)雜程度。

撇開(kāi)差異來(lái)說(shuō)，這兩次試驗(yàn)表明，人工智能系統(tǒng)在唇讀方面遠(yuǎn)遠(yuǎn)勝過(guò)人工識(shí)別，我們不難想象，這種軟件的應(yīng)用潛力是巨大的。在將來(lái)，網(wǎng)絡(luò)電話Skype可以彌補(bǔ)很多不足，比如當(dāng)呼叫者處于較吵的環(huán)境時(shí)，又或者說(shuō)可以讓那些聽(tīng)力有障礙的人也能拿起手機(jī)去“聽(tīng)”別人在說(shuō)什么。

 本文轉(zhuǎn)載自36氪：譯者ID： 張麗紅