從鍵盤打字到觸控屏，再到現(xiàn)在的語音交互和手勢交互，人工智能技術(shù)的發(fā)展，正在促使人機(jī)交互方式向更加多元化方向變革。

　　當(dāng)前市場上漸漸出現(xiàn)一種新的人機(jī)交互新技術(shù)——唇語識(shí)別。與語音識(shí)別不同，唇語識(shí)別是基于機(jī)器視覺與自然語言處理于一體的技術(shù)，不用聽聲音，僅靠機(jī)器視覺識(shí)別說話人唇部動(dòng)作，就能解讀說話者所說的內(nèi)容，因此在研發(fā)難度上也比語音識(shí)別大得多。

　　就在剛剛過去的第四屆烏鎮(zhèn)互聯(lián)網(wǎng)大會(huì)上，一直專注搜索的搜狗竟然也亮相了唇語識(shí)別這一黑科技。12月14日，搜狗在北京舉行了媒體溝通會(huì)，公開演示了唇語識(shí)別這項(xiàng)新技術(shù)，包括背后的技術(shù)原理、研發(fā)動(dòng)因以及未來的場景應(yīng)用。

　　搜狗語音交互中心技術(shù)總監(jiān)陳偉向鈦媒體介紹，得益于搜狗自然語言處理方面的強(qiáng)大優(yōu)勢，搜狗首創(chuàng)了復(fù)雜端到端深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行中文唇語序列建模，通過數(shù)千小時(shí)的真實(shí)唇語數(shù)據(jù)訓(xùn)練，建立了10萬詞以上的詞匯表，取得不錯(cuò)的識(shí)別效果。

　　具體而言，搜狗通過攝像頭從圖像中連續(xù)識(shí)別出人的唇形，提取說話人連續(xù)的口型變化特征，然后將這些唇語特征放入唇語識(shí)別模型進(jìn)行解碼，從唇語文本數(shù)據(jù)到唇語語言模型進(jìn)一步獲取發(fā)音單元，最終輸出文字。

　　目前，搜狗在非特定人開放口語測試集上，即搜狗唇語識(shí)別系統(tǒng)的通用識(shí)別的準(zhǔn)確率在60%以上，超過google發(fā)布的英文唇語系統(tǒng)50%以上的準(zhǔn)確率;而在垂直場景下，如車載、智能家居等場景下已經(jīng)達(dá)到90%的準(zhǔn)確率。

　　其實(shí)唇語識(shí)別并不神秘。早在2003年，英特爾公司就曾推出一款名叫視聽說識(shí)別系統(tǒng)的軟件，電腦開發(fā)者可以在此基礎(chǔ)上研制讀懂“唇語”的計(jì)算機(jī);而國外技術(shù)最純熟的谷歌，其DeepMind團(tuán)隊(duì)在2016年使用BBC新聞視頻，對AI系統(tǒng)進(jìn)行訓(xùn)練，視頻總長超過5000小時(shí)，然后以當(dāng)年3月到9月的視頻節(jié)目進(jìn)行測試，唇語識(shí)別正確率達(dá)到了46.8%。

　　這個(gè)正確率雖然不算高，但實(shí)際上正常人的唇語識(shí)別能力也只在10%左右，一些受過訓(xùn)練的唇語專家則可以達(dá)到40%左右。可以想見，唇語識(shí)別技術(shù)的壁壘之高。

　　在國內(nèi)，BAT這些互聯(lián)網(wǎng)巨頭雖未涉足這一領(lǐng)域，但也有一些創(chuàng)新公司在唇語識(shí)別技術(shù)方面取得了突破。

　　今年3月，國內(nèi)專注于大數(shù)據(jù)可視化的海云數(shù)據(jù)也試水唇語識(shí)別，發(fā)布了其與重慶市公安科研所共同研發(fā)的唇語識(shí)別技術(shù)成果。在研發(fā)階段，海云訓(xùn)練了1萬小時(shí)新聞?lì)惞?jié)目，來判斷嘴型的準(zhǔn)確度和語言的準(zhǔn)確性。有報(bào)道稱，海云數(shù)據(jù)的唇語識(shí)別技術(shù)在中文識(shí)別率已高達(dá)71%，英文識(shí)別率達(dá)到80%。

　　但陳偉也強(qiáng)調(diào)，唇語識(shí)別最大的難點(diǎn)在于泛化性。之所以這一技術(shù)尚未得到普及，很大程度上是識(shí)別率不能做到像語音識(shí)別那樣高，做不到普適性，應(yīng)用的意義也就不大。

　　從谷歌唇語識(shí)別系統(tǒng)訓(xùn)練來看，測試集與訓(xùn)練集其實(shí)是同源的，都來自廣播電視新聞，而眾所周知這些播音主持人在發(fā)音、吐字、唇形變化等方面都比普通人要標(biāo)準(zhǔn)，如果將測試選擇在普通人時(shí)，識(shí)別率應(yīng)該會(huì)更低。

　　搜狗為了突破唇語識(shí)別的泛化性，一方面通過各類新聞、電視節(jié)目的數(shù)據(jù)進(jìn)行訓(xùn)練，另一方面通過搜集大量普通人的唇語數(shù)據(jù)進(jìn)行訓(xùn)練，提升了唇語識(shí)別的泛化效果。另外，具體到車載、智能家居場景時(shí)，搜狗團(tuán)隊(duì)又通過限定場景、限定語句等形式，對唇語識(shí)別準(zhǔn)確性做了進(jìn)一步優(yōu)化。

　　因此，在未來場景落地上，搜狗唇語團(tuán)隊(duì)將關(guān)注兩方面，一方面可以和語音識(shí)別技術(shù)相結(jié)合解決遠(yuǎn)場環(huán)境下的語音問題，另一方面唇語識(shí)別作為人機(jī)交互的形式之一，輔助語音交互及圖像識(shí)別，在日常生活、安防、公益等各個(gè)領(lǐng)域?qū)崿F(xiàn)廣泛應(yīng)用。

　　車載場景下，周圍噪音過大時(shí)會(huì)對語音指令產(chǎn)生干擾，通過唇語識(shí)別技術(shù)則可以規(guī)避干擾，保證人車交互的準(zhǔn)確性和穩(wěn)定性，日常不便發(fā)聲的公共場所也可以保證說話內(nèi)容的私密性。

　　在安防領(lǐng)域，由于目前多數(shù)監(jiān)控只有攝像頭沒有麥克風(fēng)，往往只能看清嘴型卻不知道在說什么，給案情分析帶來很多難題，而唇語識(shí)別技術(shù)可以幫助公安人員獲取重要的講話信息，為公共安全提供有效支持。

　　在公益事業(yè)領(lǐng)域，唇語識(shí)別技術(shù)還能發(fā)揮巨大價(jià)值，幫助先天性聽障人群或老年人，讓他們更好地理解和表達(dá)自己。

　　時(shí)至今日，人工智能的發(fā)展速度已經(jīng)完全超出了我們的想象，那些電影里的炫酷黑科技正在一步步成為現(xiàn)實(shí)出現(xiàn)在我們的生活中。隨著AI技術(shù)的發(fā)展，相信在不遠(yuǎn)的將來，唇語識(shí)別也能像語音識(shí)別、圖像識(shí)別一樣成為我們生活中隨處可見的一部分。

特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。