不過最近一項專利申請表明，微軟正在向特工學習，推出了無聲語音識別技術(shù)。當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就是復制人類的方式，利用圖像識別進行辯讀唇語。而利用唇語進行語音識別這種方式也由來已久，但是識別的準確率一直不算高。DeepMind曾在2016年做過測試，經(jīng)過1萬小時的新聞視頻訓練，AI唇語準確率達到了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，準確率達到了70％。而搜狗所推出的駕駛場景下的唇語識別，因為涉及到的詞匯量很少，準確率能夠達到90％。

 

可以發(fā)現(xiàn)，相比現(xiàn)在主流語音識別動輒95％、97％的準確率，唇語識別準確程度實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不小。

 

另一方面來看，唇語識別所涉及到倫理問題實在過于嚴重。唇語識別的“射程”太遠，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)和學界，都在尋找一種更精準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，置于用戶嘴邊，用戶在說話時形成的氣流會在設備中形成反射，經(jīng)過訓練，可以將這些氣流反射的信號和文字一一對應。

 

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，來學習人類說話時面部EMG信號特征，并通過神經(jīng)網(wǎng)絡的訓練將EMG信號和文字對應起來。

 

可以看出這兩種無聲語音識別都有一個共同的特點，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備，而不是像圖像技術(shù)一樣，能夠在遠程且講話者不知情的情況下進行采集分析。

 

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行識別，那為什么不直接應用語音識別來進行文字轉(zhuǎn)換和翻譯，非要弄一些和“氣功”一樣沒有切實應用場景的花招？

 

其實無聲語音識別的應用，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用場景：災害現(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，不僅可以準確表達信息，也能讓一些處于這種場合的工作人員戴上隔音耳塞保護自己的聽力。

 

實際上目前在歐洲一些型號的戰(zhàn)斗機中，就因為機艙內(nèi)噪音巨大、飛行員之間無法溝通，已經(jīng)應用上了EMG信號無聲語音識別技術(shù)。

 

當然，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，應用效率也不高。

 

實際上無聲語音識別是一項典型的“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)學的結(jié)合；又在應用上極大程度的受限，即使在一些聲音難以傳播的場景下，也要考慮計算條件、識別語音后信息再傳遞的媒介，更不用提復雜的數(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、應用成本越來越低時，總會出現(xiàn)一些極端場景應用上這些看似無用的技術(shù)——也許未來有一天，戰(zhàn)斗機的控制也要應用上語音交互呢？