眾所周知，唇讀是非常困難的，很大程度上取決于語言的語境和對其的了解，而這些都只通過視覺來呈現(xiàn)的。但是研究者們正向我們表明，機(jī)器學(xué)習(xí)能夠比專業(yè)唇讀者更有效地來識別那些無聲視頻的臺詞。

 

　　在一個(gè)項(xiàng)目中，來自牛津大學(xué)計(jì)算機(jī)科學(xué)系的一個(gè)團(tuán)隊(duì)開發(fā)了一個(gè)名為LipNet的全新人工智能系統(tǒng)，據(jù)Quartz新聞網(wǎng)站報(bào)道，這個(gè)系統(tǒng)建立在GRID的數(shù)據(jù)集基礎(chǔ)上，而GRID是由人們朗讀三秒鐘句子的清晰的面部視頻合輯構(gòu)成。每個(gè)句子都遵循相同模式的字符串。

 

 

　　這個(gè)團(tuán)隊(duì)用這一數(shù)據(jù)集去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，與執(zhí)行語音辨認(rèn)的性質(zhì)類似。在這一過程中，盡管神經(jīng)網(wǎng)絡(luò)隨著時(shí)間推移能夠識別出口型變化，也能學(xué)會把這一信息與所說內(nèi)容的解釋聯(lián)系起來。但是人工智能系統(tǒng)并不會斷斷續(xù)續(xù)地分析連續(xù)鏡頭，而是考慮整體內(nèi)容，使得它能夠從分析的句子中理解其中的語境。這一點(diǎn)非常重要，因?yàn)槿藗兊目谛屯热藗儼l(fā)出的聲音要少很多。

 

　　測試的時(shí)候，這一人工智能系統(tǒng)能夠準(zhǔn)確地識別出93.4%的話語，許多人工唇讀志愿者也做了同樣的測試，但是準(zhǔn)確率只有52.3%。

 

　　據(jù)New Scientist報(bào)道，另外一個(gè)來自牛津大學(xué)工程科學(xué)系并一直與谷歌的DeepMind這一人工智能系統(tǒng)合作的團(tuán)隊(duì)完成了一項(xiàng)更加困難的的任務(wù)。他們所使用的并不是像GRID那樣整齊一致的數(shù)據(jù)集，而是一系列從英國廣播公司電視臺截取的100,000個(gè)小視頻。這些小視頻囊括許多語種，并且其中有不同的光線效果和說話人頭部位置的移動。

 

 

　　牛津大學(xué)和DeepMind的團(tuán)隊(duì)用了類似的方法，成功地開發(fā)出一個(gè)識別率達(dá)到46.8%的人工智能系統(tǒng)。這遠(yuǎn)遠(yuǎn)超過了人工識別的準(zhǔn)確率，人工識別要做到毫無差錯的準(zhǔn)確率只有12.4%。當(dāng)然，準(zhǔn)確率之所以這么低是有很多原因的，包括從光線和方向轉(zhuǎn)換到更深層次的語言復(fù)雜程度。

 

　　撇開差異來說，這兩次試驗(yàn)表明，人工智能系統(tǒng)在唇讀方面遠(yuǎn)遠(yuǎn)勝過人工識別，我們不難想象，這種軟件的應(yīng)用潛力是巨大的。在將來，網(wǎng)絡(luò)電話Skype可以彌補(bǔ)很多不足，比如當(dāng)呼叫者處于較吵的環(huán)境時(shí)，又或者說可以讓那些聽力有障礙的人也能拿起手機(jī)去“聽”別人在說什么。