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

　　就在剛剛過去的第四屆烏鎮(zhèn)互聯(lián)網(wǎng)大會上，一直專注搜索的搜狗竟然也亮相了唇語識別這一黑科技。12月14日，搜狗在北京舉行了媒體溝通會，公開演示了唇語識別這項新技術(shù)，包括背后的技術(shù)原理、研發(fā)動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)進行中文唇語序列建模，通過數(shù)千小時的真實唇語數(shù)據(jù)訓(xùn)練，建立了10萬詞以上的詞匯表，取得不錯的識別效果。

　　具體而言，搜狗通過攝像頭從圖像中連續(xù)識別出人的唇形，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別模型進行解碼，從唇語文本數(shù)據(jù)到唇語語言模型進一步獲取發(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，即搜狗唇語識別系統(tǒng)的通用識別的準確率在60%以上，超過google發(fā)布的英文唇語系統(tǒng)50%以上的準確率;而在垂直場景下，如車載、智能家居等場景下已經(jīng)達到90%的準確率。

　　其實唇語識別并不神秘。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”的計算機;而國外技術(shù)最純熟的谷歌，其DeepMind團隊在2016年使用BBC新聞視頻，對AI系統(tǒng)進行訓(xùn)練，視頻總長超過5000小時，然后以當(dāng)年3月到9月的視頻節(jié)目進行測試，唇語識別正確率達到了46.8%。

　　這個正確率雖然不算高，但實際上正常人的唇語識別能力也只在10%左右，一些受過訓(xùn)練的唇語專家則可以達到40%左右。可以想見，唇語識別技術(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)也試水唇語識別，發(fā)布了其與重慶市公安科研所共同研發(fā)的唇語識別技術(shù)成果。在研發(fā)階段，海云訓(xùn)練了1萬小時新聞類節(jié)目，來判斷嘴型的準確度和語言的準確性。有報道稱，海云數(shù)據(jù)的唇語識別技術(shù)在中文識別率已高達71%，英文識別率達到80%。

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

　　從谷歌唇語識別系統(tǒng)訓(xùn)練來看，測試集與訓(xùn)練集其實是同源的，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準，如果將測試選擇在普通人時，識別率應(yīng)該會更低。

　　搜狗為了突破唇語識別的泛化性，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)進行訓(xùn)練，提升了唇語識別的泛化效果。另外，具體到車載、智能家居場景時，搜狗團隊又通過限定場景、限定語句等形式，對唇語識別準確性做了進一步優(yōu)化。

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

　　車載場景下，周圍噪音過大時會對語音指令產(chǎn)生干擾，通過唇語識別技術(shù)則可以規(guī)避干擾，保證人車交互的準確性和穩(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，唇語識別技術(shù)還能發(fā)揮巨大價值，幫助先天性聽障人群或老年人，讓他們更好地理解和表達自己。

　　時至今日，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，相信在不遠的將來，唇語識別也能像語音識別、圖像識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。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關(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，請及時聯(lián)系我們，本站將會在24小時內(nèi)處理完畢。