圖片來(lái)源@視覺(jué)中國(guó)
小時(shí)候看特務(wù)電影時(shí)，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(shuō)話(huà)的對(duì)象，從嘴型判斷出對(duì)方在說(shuō)什么。有了這種記憶，導(dǎo)致如今看什么語(yǔ)音識(shí)別技術(shù)都覺(jué)得相當(dāng)一般——我都說(shuō)出聲兒了你才聽(tīng)懂，算什么AI好漢。
不過(guò)最近一項(xiàng)專(zhuān)利申請(qǐng)表明，微軟正在向特工學(xué)習(xí)，推出了無(wú)聲語(yǔ)音識(shí)別技術(shù)。當(dāng)AI也能像特工一樣，無(wú)聲之中辯人言，我們的世界究竟會(huì)有什么不同？
除去唇語(yǔ)識(shí)別，AI還有什么方式悄悄聽(tīng)懂你的話(huà)？
說(shuō)起無(wú)聲語(yǔ)音識(shí)別，可能很多人第一反應(yīng)就是復(fù)制人類(lèi)的方式，利用圖像識(shí)別進(jìn)行辯讀唇語(yǔ)。而利用唇語(yǔ)進(jìn)行語(yǔ)音識(shí)別這種方式也由來(lái)已久，但是識(shí)別的準(zhǔn)確率一直不算高。DeepMind曾在2016年做過(guò)測(cè)試，經(jīng)過(guò)1萬(wàn)小時(shí)的新聞視頻訓(xùn)練，AI唇語(yǔ)準(zhǔn)確率達(dá)到了46.8%。國(guó)內(nèi)有一家企業(yè)曾經(jīng)提供過(guò)相關(guān)數(shù)據(jù)：在對(duì)中文新聞視頻的識(shí)別中，準(zhǔn)確率達(dá)到了70%。而搜狗所推出的駕駛場(chǎng)景下的唇語(yǔ)識(shí)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(yǔ)音識(shí)別動(dòng)輒95%、97%的準(zhǔn)確率，唇語(yǔ)識(shí)別準(zhǔn)確程度實(shí)在是有些拿不上臺(tái)面。對(duì)于中文這種一字一音節(jié)的語(yǔ)言來(lái)說(shuō)還好，對(duì)于英文這種連音很多的語(yǔ)言來(lái)說(shuō)，唇語(yǔ)識(shí)別要跨越的門(mén)檻確實(shí)不少。
另一方面來(lái)看，唇語(yǔ)識(shí)別所涉及到倫理問(wèn)題實(shí)在過(guò)于嚴(yán)重。唇語(yǔ)識(shí)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?cè)诮徽剷r(shí)將再無(wú)隱私。在隱私焦慮越來(lái)越濃的今天，哪家企業(yè)公開(kāi)研究這項(xiàng)技術(shù)，只怕是覺(jué)得自己家的公關(guān)部門(mén)過(guò)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(wú)聲語(yǔ)言識(shí)別。目前看來(lái)，無(wú)聲語(yǔ)音識(shí)別的技術(shù)方向可以被分為兩個(gè)“派系”，一是“氣宗”，另一個(gè)是“電宗”。
微軟所提交的專(zhuān)利，就是典型的“氣宗”——在終端上添加傳感器，通過(guò)感知用戶(hù)說(shuō)話(huà)時(shí)的氣流來(lái)判斷用戶(hù)說(shuō)話(huà)的內(nèi)容。這種終端如同一只小型麥克風(fēng)，置于用戶(hù)嘴邊，用戶(hù)在說(shuō)話(huà)時(shí)形成的氣流會(huì)在設(shè)備中形成反射，經(jīng)過(guò)訓(xùn)練，可以將這些氣流反射的信號(hào)和文字一一對(duì)應(yīng)。
而“電宗”則更加神奇，我們知道人在說(shuō)話(huà)時(shí)需要調(diào)動(dòng)整個(gè)下半張臉的肌肉，不同的文字發(fā)音所調(diào)動(dòng)肌肉的方式也并不相同。通過(guò)對(duì)面部EMG（肌電）信號(hào)的采集，來(lái)學(xué)習(xí)人類(lèi)說(shuō)話(huà)時(shí)面部EMG信號(hào)特征，并通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將EMG信號(hào)和文字對(duì)應(yīng)起來(lái)。
可以看出這兩種無(wú)聲語(yǔ)音識(shí)別都有一個(gè)共同的特點(diǎn)，那就是自主性和私密性。不管是EMG信號(hào)采集還是氣流采集，都需要在講話(huà)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(huà)者不知情的情況下進(jìn)行采集分析。
無(wú)聲語(yǔ)音識(shí)別變成真·氣功？
不論是氣宗還是電宗，這些無(wú)聲語(yǔ)音識(shí)別技術(shù)都面臨著同樣的問(wèn)題——既然要用戶(hù)把話(huà)說(shuō)出來(lái)才能進(jìn)行識(shí)別，那為什么不直接應(yīng)用語(yǔ)音識(shí)別來(lái)進(jìn)行文字轉(zhuǎn)換和翻譯，非要弄一些和“氣功”一樣沒(méi)有切實(shí)應(yīng)用場(chǎng)景的花招？
其實(shí)無(wú)聲語(yǔ)音識(shí)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(tīng)障人士，也不允許被應(yīng)用于監(jiān)聽(tīng)等等工作。但在一些關(guān)鍵場(chǎng)合下，無(wú)聲語(yǔ)音識(shí)別卻可以發(fā)揮出奇用。
我們可以一起開(kāi)動(dòng)腦筋，想想在哪里人們需要說(shuō)話(huà)，但卻聽(tīng)不到彼此的聲音。答案很簡(jiǎn)單，要么是在聲音無(wú)法傳播的地方，要么是在一些特別嘈雜的地方。于是無(wú)聲語(yǔ)音識(shí)別就有了如下的應(yīng)用場(chǎng)景：
災(zāi)害現(xiàn)場(chǎng)、艙外探索、水下作業(yè)……
在這類(lèi)場(chǎng)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(huì)穿上類(lèi)似生化服、宇航員服等等特殊服裝。穿上之后既看不到對(duì)方的表情，也聽(tīng)不到對(duì)方的聲音，更沒(méi)辦法用語(yǔ)音交互去控制其他設(shè)備了。同時(shí)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(shuō)話(huà)，加上防護(hù)服的封閉狀況會(huì)引起聲音的回響，以往的有聲語(yǔ)音識(shí)別在這種情況下很難發(fā)揮作用。
這時(shí)可以被安置在防護(hù)服內(nèi)部的無(wú)聲語(yǔ)音識(shí)別就顯得很有價(jià)值，講話(huà)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(chē)間、機(jī)場(chǎng)……
在這些場(chǎng)所中，想要讓對(duì)方聽(tīng)清自己的聲音，往往需要扯著嗓子吼。想讓語(yǔ)音識(shí)別準(zhǔn)確拾音，更是難上加難。這時(shí)利用無(wú)聲語(yǔ)音識(shí)別就會(huì)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(chǎng)合的工作人員戴上隔音耳塞保護(hù)自己的聽(tīng)力。
實(shí)際上目前在歐洲一些型號(hào)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(wú)法溝通，已經(jīng)應(yīng)用上了EMG信號(hào)無(wú)聲語(yǔ)音識(shí)別技術(shù)。
當(dāng)然，目前相比語(yǔ)音識(shí)別技術(shù)、甚至相比唇語(yǔ)語(yǔ)音識(shí)別，無(wú)聲語(yǔ)音識(shí)別技術(shù)的發(fā)展階段還很初級(jí)，應(yīng)用效率也不高。
實(shí)際上無(wú)聲語(yǔ)音識(shí)別是一項(xiàng)典型的“美好而無(wú)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(hào)無(wú)聲語(yǔ)音識(shí)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(chǎng)景下，也要考慮計(jì)算條件、識(shí)別語(yǔ)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(lái)AI技術(shù)越來(lái)越普及化、應(yīng)用成本越來(lái)越低時(shí)，總會(huì)出現(xiàn)一些極端場(chǎng)景應(yīng)用上這些看似無(wú)用的技術(shù)——也許未來(lái)有一天，戰(zhàn)斗機(jī)的控制也要應(yīng)用上語(yǔ)音交互呢？
