無聲語音識別已經(jīng)悄悄在實(shí)現(xiàn)

小時候看特務(wù)電影時，特工們往往有一項(xiàng)必備的技能，就是隔著幾百米遠(yuǎn)盯著正在說話的對象，從嘴型判斷出對方在說什么。有了這種記憶，導(dǎo)致如今看什么語音識別技術(shù)都覺得相當(dāng)一般——我都說出聲兒了你才聽懂，算什么AI好漢。

不過最近一項(xiàng)專利申請表明，微軟正在向特工學(xué)習(xí)，推出了無聲語音識別技術(shù)。當(dāng)AI也能像特工一樣，無聲之中辯人言，我們的世界究竟會有什么不同？

除去唇語識別，AI還有什么方式悄悄聽懂你的話？

說起無聲語音識別，可能很多人第一反應(yīng)就是復(fù)制人類的方式，利用圖像識別進(jìn)行辯讀唇語。而利用唇語進(jìn)行語音識別這種方式也由來已久，但是識別的準(zhǔn)確率一直不算高。DeepMind曾在2016年做過測試，經(jīng)過1萬小時的新聞視頻訓(xùn)練，AI唇語準(zhǔn)確率達(dá)到了46.8%。國內(nèi)有一家企業(yè)曾經(jīng)提供過相關(guān)數(shù)據(jù)：在對中文新聞視頻的識別中，準(zhǔn)確率達(dá)到了70%。而搜狗所推出的駕駛場景下的唇語識別，因?yàn)樯婕暗降脑~匯量很少，準(zhǔn)確率能夠達(dá)到90%。

可以發(fā)現(xiàn)，相比現(xiàn)在主流語音識別動輒95%、97%的準(zhǔn)確率，唇語識別準(zhǔn)確程度實(shí)在是有些拿不上臺面。對于中文這種一字一音節(jié)的語言來說還好，對于英文這種連音很多的語言來說，唇語識別要跨越的門檻確實(shí)不少。

另一方面來看，唇語識別所涉及到倫理問題實(shí)在過于嚴(yán)重。唇語識別的“射程”太遠(yuǎn)，如果這種技術(shù)真的發(fā)展成熟，意味著天網(wǎng)之下的我們在交談時將再無隱私。在隱私焦慮越來越濃的今天，哪家企業(yè)公開研究這項(xiàng)技術(shù)，只怕是覺得自己家的公關(guān)部門過得太清閑。

因此包括微軟在內(nèi)的產(chǎn)業(yè)和學(xué)界，都在尋找一種更精準(zhǔn)也更隱私的無聲語言識別。目前看來，無聲語音識別的技術(shù)方向可以被分為兩個“派系”，一是“氣宗”，另一個是“電宗”。

微軟所提交的專利，就是典型的“氣宗”——在終端上添加傳感器，通過感知用戶說話時的氣流來判斷用戶說話的內(nèi)容。這種終端如同一只小型麥克風(fēng)，置于用戶嘴邊，用戶在說話時形成的氣流會在設(shè)備中形成反射，經(jīng)過訓(xùn)練，可以將這些氣流反射的信號和文字一一對應(yīng)。

而“電宗”則更加神奇，我們知道人在說話時需要調(diào)動整個下半張臉的肌肉，不同的文字發(fā)音所調(diào)動肌肉的方式也并不相同。通過對面部EMG（肌電）信號的采集，來學(xué)習(xí)人類說話時面部EMG信號特征，并通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將EMG信號和文字對應(yīng)起來。

可以看出這兩種無聲語音識別都有一個共同的特點(diǎn)，那就是自主性和私密性。不管是EMG信號采集還是氣流采集，都需要在講話者身上佩戴好設(shè)備，而不是像圖像技術(shù)一樣，能夠在遠(yuǎn)程且講話者不知情的情況下進(jìn)行采集分析。

無聲語音識別變成真·氣功？

不論是氣宗還是電宗，這些無聲語音識別技術(shù)都面臨著同樣的問題——既然要用戶把話說出來才能進(jìn)行識別，那為什么不直接應(yīng)用語音識別來進(jìn)行文字轉(zhuǎn)換和翻譯，非要弄一些和“氣功”一樣沒有切實(shí)應(yīng)用場景的花招？

其實(shí)無聲語音識別的應(yīng)用，可能不像大家想象的那樣廣泛，它既不能以最高效的方式幫助聽障人士，也不允許被應(yīng)用于監(jiān)聽等等工作。但在一些關(guān)鍵場合下，無聲語音識別卻可以發(fā)揮出奇用。

我們可以一起開動腦筋，想想在哪里人們需要說話，但卻聽不到彼此的聲音。答案很簡單，要么是在聲音無法傳播的地方，要么是在一些特別嘈雜的地方。于是無聲語音識別就有了如下的應(yīng)用場景：

災(zāi)害現(xiàn)場、艙外探索、水下作業(yè)……

在這類場所中，人們或許為了躲避被污染的空氣、或許為了呼吸氧氣，都會穿上類似生化服、宇航員服等等特殊服裝。穿上之后既看不到對方的表情，也聽不到對方的聲音，更沒辦法用語音交互去控制其他設(shè)備了。同時環(huán)境情況（例如氧氣不夠充足）往往不允許人們以正常的聲音說話，加上防護(hù)服的封閉狀況會引起聲音的回響，以往的有聲語音識別在這種情況下很難發(fā)揮作用。

這時可以被安置在防護(hù)服內(nèi)部的無聲語音識別就顯得很有價值，講話者只需要做出口型就能向外界傳遞信息。

除此之外還有嘈雜的馬路、工廠車間、機(jī)場……

在這些場所中，想要讓對方聽清自己的聲音，往往需要扯著嗓子吼。想讓語音識別準(zhǔn)確拾音，更是難上加難。這時利用無聲語音識別就會輕松很多，不僅可以準(zhǔn)確表達(dá)信息，也能讓一些處于這種場合的工作人員戴上隔音耳塞保護(hù)自己的聽力。

實(shí)際上目前在歐洲一些型號的戰(zhàn)斗機(jī)中，就因?yàn)闄C(jī)艙內(nèi)噪音巨大、飛行員之間無法溝通，已經(jīng)應(yīng)用上了EMG信號無聲語音識別技術(shù)。

當(dāng)然，目前相比語音識別技術(shù)、甚至相比唇語語音識別，無聲語音識別技術(shù)的發(fā)展階段還很初級，應(yīng)用效率也不高。

實(shí)際上無聲語音識別是一項(xiàng)典型的“美好而無用”的AI技術(shù)，它既完美體現(xiàn)了一系列技術(shù)的排列組合，例如EMG信號無聲語音識別所體現(xiàn)出的AI與神經(jīng)學(xué)的結(jié)合；又在應(yīng)用上極大程度的受限，即使在一些聲音難以傳播的場景下，也要考慮計(jì)算條件、識別語音后信息再傳遞的媒介，更不用提復(fù)雜的數(shù)據(jù)收集工作了。

但我們有理由相信，在未來AI技術(shù)越來越普及化、應(yīng)用成本越來越低時，總會出現(xiàn)一些極端場景應(yīng)用上這些看似無用的技術(shù)——也許未來有一天，戰(zhàn)斗機(jī)的控制也要應(yīng)用上語音交互呢？