人工智能現(xiàn)在是個熱鬧的話題，但事實上，自動駕駛、專業(yè)護理等備受投資者熱捧的領(lǐng)域，離真正的實用還遠得很。而相比之下，同聲傳譯、語音翻譯等語言服務，似乎更貼合當下人們的實用需求。

唇語辨識辨是其中之一。據(jù)數(shù)據(jù)顯示，大多數(shù)人平均只能讀對一句唇語的十分之一。唇讀很困難，不僅是因為你要觀察對方嘴唇、舌頭和牙齒的輕微運動，而且大多數(shù)唇語信號十分隱晦，難以在沒有語境的情況下分辨。

現(xiàn)在，研究人員表示人工智能技術(shù)，比如深度學習或許能夠解決這個難題。畢竟人工智能側(cè)重于大數(shù)據(jù)運算，已經(jīng)幫助改善了機器語音識別，甚至能達到人類的水平。

據(jù)國外媒體報道，牛津大學人工智能實驗室、谷歌DeepMind團隊和加拿大高等研究院（CIFAR）就在近日聯(lián)合發(fā)布了一篇論文，介紹了結(jié)合深度學習技術(shù)的唇讀程序LipNet。

在GRID語料庫上，LipNet實現(xiàn)了93.4%的準確度，超過了經(jīng)驗豐富的人類唇讀者和之前的79.6%的最佳準確度。研究人員還將LipNet的表現(xiàn)和聽覺受損的會讀唇的人的表現(xiàn)進行了比較。平均來看，他們可以達到52.3%的準確度，LipNet在相同句子上的表現(xiàn)是這個成績的1.78倍。除此之外，該模型將可變長度的視頻序列轉(zhuǎn)換成文本的過程幾乎是實時的。

研究團隊表示，在深度學習的幫助下，這種唇讀方式可以幫助有聽力障礙的人，尤其是在嘈雜的環(huán)境中。例如在聚會上，LipNet就可以錄制實時通話，并將信息清晰準確地送到人們的耳中。只要有語音識別和攝像頭，在任何地方都可以實現(xiàn)這項服務。在未來，如果人們不想親自和計算機對話，只要動動嘴巴它就能知道你在說什么了。

不過，有專家指出，牛津大學的這一實驗具有局限性。這一實驗首先是基于GRID語料庫完成的，這其中包含34個志愿者錄的短視頻，所有的視頻都長3秒。每個句子都是以這樣的模式出現(xiàn)的：命令、顏色、介詞、字母、數(shù)字、副詞等。由于這一模式下的詞句是有限的，只包含了四種不同的命令和顏色。

該團隊的研究人員在接受國外科技媒體采訪時說道，他們正在努力地突破“有限的詞匯和語法”，“現(xiàn)在的數(shù)據(jù)集雖小，但它卻是一個好的跡象，將來我們會使用更大的數(shù)據(jù)集執(zhí)行任務?！?

除此之外，研究團隊強調(diào)這一成果不會用于窺探他人的隱私。很簡單，因為唇讀需要看到對方的舌頭，所以必須在光線很好的地方才能夠完成這一行為。若要竊密，除非拿著一個技術(shù)很高的相機對準目標對象，同時還要舉著一個麥克風指向被竊者。

來源：中關(guān)村多媒體創(chuàng)意產(chǎn)業(yè)園