人工智能系统在唇读方面远远胜过人工识别

语音识别技术已经成为科技圈的亮点，无论是百度的度秘，还是搜索刚刚开发的要取代口译人员的机器人，语音识别技术真的是越来越强大了。JamieCondliff在本文介绍了新的研究，证明人工智能不仅可以通过语音识别人们说话内容，即使听不到声音，人工智能已经可以顺利地读取唇语了，甚至比人工还要有效很多。众所周知，唇读是非常困难的，很大程度上取决于语言的语境和对其的了解，而这些都只通过视觉来呈现的。但是研究者们正向我们表明，机器学习能够比专业唇读者更有效地来识别那些无声视频的台词。在一个项目中，来自牛津大学计算机科学系的一个团队开发了一个名为LipNet的全新人工智能系统，据Quartz新闻网站报道，这个系统建立在GRID的数据集基础上，而GRID是由人们朗读三秒钟句子的清晰的面部视频合辑构成。每个句子都遵循相同模式的字符串。

这个团队用这一数据集去训练神经网络，与执行语音辨认的性质类似。在这一过程中，尽管神经网络随着时间推移能够识别出口型变化，也能学会把这一信息与所说内容的解释联系起来。但是人工智能系统并不会断断续续地分析连续镜头，而是考虑整体内容，使得它能够从分析的句子中理解其中的语境。这一点非常重要，因为人们的口型往往比人们发出的声音要少很多。测试的时候，这一人工智能系统能够准确地识别出93.4%的话语，许多人工唇读志愿者也做了同样的测试，但是准确率只有52.3%。据NewScientist报道，另外一个来自牛津大学工程科学系并一直与谷歌的DeepMind这一人工智能系统合作的团队完成了一项更加困难的的任务。他们所使用的并不是像GRID那样整齐一致的数据集，而是一系列从英国广播公司电视台截取的100,000个小视频。这些小视频囊括许多语种，并且其中有不同的光线效果和说话人头部位置的移动。

牛津大学和DeepMind的团队用了类似的方法，成功地开发出一个识别率达到46.8%的人工智能系统。这远远超过了人工识别的准确率，人工识别要做到毫无差错的准确率只有12.4%。当然，准确率之所以这么低是有很多原因的，包括从光线和方向转换到更深层次的语言复杂程度。撇开差异来说，这两次试验表明，人工智能系统在唇读方面远远胜过人工识别，我们不难想象，这种软件的应用潜力是巨大的。在将来，网络电话Skype可以弥补很多不足，比如当呼叫者处于较吵的环境时，又或者说可以让那些听力有障碍的人也能拿起手机去听别人在说什么。

易拉宝海报
电子画册海报