讀唇語(yǔ)軟件識(shí)別準(zhǔn)確率遠(yuǎn)超人類(lèi)

　　“動(dòng)動(dòng)嘴皮子”，AI就能知道你在說(shuō)啥

　　可以想見(jiàn)，由于公益、公共安全、國(guó)家安全等領(lǐng)域巨大的潛在需求的牽引，以及AI技術(shù)飛速發(fā)展的強(qiáng)力推動(dòng)作用，在不久的將來(lái)，AI讀唇語(yǔ)有望實(shí)現(xiàn)快速推廣與深度普及，產(chǎn)業(yè)前景十分可期。

　　——閆懷志 北京理工大學(xué)計(jì)算機(jī)學(xué)院副教授、網(wǎng)絡(luò)與安全研究所所長(zhǎng)

　　雖然電視劇《狂飆》已經(jīng)迎來(lái)了大結(jié)局，但熱度仍然沒(méi)有絲毫減弱，有的網(wǎng)友利用劇中人物創(chuàng)作娛樂(lè)視頻，也有的網(wǎng)友剪輯其中精彩片段。不過(guò)，還有一些“較真”的網(wǎng)友，發(fā)現(xiàn)《狂飆》中的一些人物對(duì)話，配音和嘴型對(duì)不上，于是便想通過(guò)人工智能進(jìn)行唇語(yǔ)識(shí)別，還原最初的劇本情節(jié)。

　　然而，AI讀唇語(yǔ)并非只能被用于破譯“隱藏劇情”。據(jù)統(tǒng)計(jì)，我國(guó)聽(tīng)力殘障人口超過(guò)2054萬(wàn)，除了主要的手語(yǔ)交流外，讀唇語(yǔ)也是他們重要的溝通方式。但人工解讀唇語(yǔ)容易受到個(gè)人經(jīng)驗(yàn)、視覺(jué)感受能力、語(yǔ)言理解能力等因素影響，在正確率方面差強(qiáng)人意，于是人們開(kāi)始嘗試?yán)肁I技術(shù)來(lái)解讀唇語(yǔ)。

　　比唇語(yǔ)專(zhuān)家更懂唇語(yǔ)

　　“所謂AI讀唇語(yǔ)，即人工智能唇語(yǔ)識(shí)別，其核心技術(shù)框架為視覺(jué)識(shí)別和自然語(yǔ)言處理。”北京理工大學(xué)計(jì)算機(jī)學(xué)院副教授、網(wǎng)絡(luò)與安全研究所所長(zhǎng)閆懷志介紹道，具體而言，就是利用機(jī)器視覺(jué)技術(shù)，將人臉從圖像中連續(xù)識(shí)別出來(lái)，并提取其中連續(xù)的口型變化特征，輸入至唇語(yǔ)識(shí)別模型，辨識(shí)出該人物口型對(duì)應(yīng)的發(fā)音，進(jìn)而輸出可能性最大的表達(dá)語(yǔ)句。

　　“視覺(jué)識(shí)別和自然語(yǔ)言處理分別有著龐大的技術(shù)體系和不同的技術(shù)路線，但究其本質(zhì)，都是通過(guò)大量的唇語(yǔ)數(shù)據(jù)來(lái)訓(xùn)練AI模型，力求文本輸出的準(zhǔn)確性。”閆懷志補(bǔ)充道。

　　近幾年，不斷有AI巨頭開(kāi)始在唇語(yǔ)識(shí)別賽道上作出嘗試。谷歌旗下Deep Mind公司就與英國(guó)牛津大學(xué)合作，研發(fā)出了一款A(yù)I讀唇語(yǔ)軟件，通過(guò)讓AI讀唇語(yǔ)軟件“收看”數(shù)千小時(shí)的電視節(jié)目來(lái)訓(xùn)練其唇語(yǔ)識(shí)別能力。有意思的是，在隨機(jī)抽取200個(gè)視頻片段的讀唇語(yǔ)測(cè)試中，AI讀唇語(yǔ)軟件的準(zhǔn)確率達(dá)到了46.8%，而經(jīng)過(guò)專(zhuān)業(yè)訓(xùn)練的人類(lèi)讀唇語(yǔ)專(zhuān)家，準(zhǔn)確率僅為12.4%。

　　為何AI讀唇語(yǔ)能夠悄然興起？閆懷志給出了自己的分析：一是強(qiáng)烈的需求牽引，二是巨大的技術(shù)推動(dòng)。從需求牽引來(lái)說(shuō)，唇語(yǔ)識(shí)別不僅可為部分殘障人士提供方便，更可以在公共安防等諸多領(lǐng)域發(fā)揮巨大作用；從技術(shù)推動(dòng)來(lái)說(shuō)，由于AI算法、算力以及數(shù)據(jù)瓶頸被不斷突破，使得AI技術(shù)在唇語(yǔ)識(shí)別領(lǐng)域取得較大成功成為現(xiàn)實(shí)。

　　眾多難題有待突破

　　不過(guò)，閆懷志也表示，目前我國(guó)人工智能唇語(yǔ)識(shí)別技術(shù)尚處于起步階段，若想利用人工智能準(zhǔn)確地識(shí)別唇語(yǔ)，還有很長(zhǎng)的路要走。

　　從語(yǔ)言本身來(lái)看，人類(lèi)語(yǔ)言具有較高的復(fù)雜性，在人類(lèi)話語(yǔ)所涉及的所有音標(biāo)中，僅有30%左右是直接由人類(lèi)嘴唇來(lái)控制的，70%是難以通過(guò)肉眼，甚至是機(jī)器視覺(jué)區(qū)分的齒音、舌音以及喉音。而且，不同人說(shuō)話的語(yǔ)氣、方言、連詞、口音，乃至胡須遮蓋等因素，都會(huì)導(dǎo)致嘴型的細(xì)微變化，而恰恰是這種細(xì)微變化，會(huì)嚴(yán)重影響人工智能對(duì)于唇語(yǔ)的識(shí)別和判斷。

　　從技術(shù)層面來(lái)看，人工智能采集唇語(yǔ)的環(huán)境通常較為復(fù)雜，若想精準(zhǔn)識(shí)別難度很高。以目前的人工智能技術(shù)而言，對(duì)于長(zhǎng)句、復(fù)雜句式等的識(shí)別水平不盡如人意，更不用說(shuō)還存在著多場(chǎng)景識(shí)別、多人像唇語(yǔ)識(shí)別等問(wèn)題。

　　閆懷志表示，只有解決了上述問(wèn)題，AI讀唇語(yǔ)才能得到突破性提升，邁向成熟發(fā)展階段。

　　人類(lèi)不同語(yǔ)種之間千差萬(wàn)別，AI能讀懂每個(gè)語(yǔ)種的唇語(yǔ)嗎？

　　閆懷志介紹，此前較為成功的AI讀唇語(yǔ)系統(tǒng)大多僅限于英語(yǔ)模型，這是因?yàn)槎鄶?shù)AI模型都是基于英語(yǔ)數(shù)據(jù)訓(xùn)練而得。但是，從技術(shù)框架上來(lái)說(shuō)，不同語(yǔ)種的訓(xùn)練模型是基本一致的，或者說(shuō)可以依賴(lài)于同一類(lèi)技術(shù)手段來(lái)實(shí)現(xiàn)。

　　當(dāng)然，為了適應(yīng)不同語(yǔ)種的唇語(yǔ)識(shí)別，也需要作一些適應(yīng)性調(diào)整：一方面要選擇對(duì)應(yīng)語(yǔ)種的數(shù)據(jù)進(jìn)行有針對(duì)性的訓(xùn)練；另一方面，還需要對(duì)AI模型進(jìn)行調(diào)整，比如納入時(shí)間屏蔽、優(yōu)化語(yǔ)言模型以及改進(jìn)超參數(shù)等。

　　此外，同一語(yǔ)種也會(huì)有不同口型，即便口型類(lèi)似，也可能代表著完全不同的意思。因此，成熟的AI讀唇語(yǔ)系統(tǒng)需要大量的唇語(yǔ)特征樣本數(shù)據(jù)，并盡可能地覆蓋多種應(yīng)用場(chǎng)景、多類(lèi)型的說(shuō)話人群，借此來(lái)提升訓(xùn)練后的唇語(yǔ)識(shí)別模型的泛化能力，提高AI讀唇語(yǔ)對(duì)于不同口型和不同表意語(yǔ)言的識(shí)別準(zhǔn)確率。

　　亟須監(jiān)管的技術(shù)雙刃劍

　　盡管存在種種難題，但仍有越來(lái)越多的AI企業(yè)開(kāi)始涉足并計(jì)劃深耕人工智能唇語(yǔ)識(shí)別賽道。目前來(lái)看，各大AI巨頭的選擇不盡相同，具體可分為唇語(yǔ)數(shù)據(jù)、唇語(yǔ)視頻識(shí)別、唇語(yǔ)理解等。

　　閆懷志也表示，目前許多人工智能唇語(yǔ)識(shí)別技術(shù)領(lǐng)域已實(shí)現(xiàn)初步突破，全鏈條集成前景可期，產(chǎn)業(yè)集群正在逐步形成。

　　從應(yīng)用場(chǎng)景來(lái)看，AI讀唇語(yǔ)在社會(huì)公益、公共安全等領(lǐng)域都已開(kāi)始嶄露頭角。從目前各大巨頭的布局以及相關(guān)技術(shù)的發(fā)展趨勢(shì)來(lái)看，AI讀唇語(yǔ)預(yù)期可在身份識(shí)別、國(guó)家安全、智慧系統(tǒng)等方面具有廣闊的應(yīng)用前景。“可以想見(jiàn)，由于公益、公共安全、國(guó)家安全等領(lǐng)域巨大的潛在需求的牽引，以及AI技術(shù)飛速發(fā)展的強(qiáng)力推動(dòng)作用，在不久的將來(lái)，AI讀唇語(yǔ)有望實(shí)現(xiàn)快速推廣與深度普及，產(chǎn)業(yè)前景十分可期。”閆懷志說(shuō)。

　　例如，在安防安監(jiān)領(lǐng)域，很多安監(jiān)場(chǎng)景噪音較大或僅有視頻信號(hào)，無(wú)法準(zhǔn)確捕捉聲音，人工智能唇語(yǔ)識(shí)別技術(shù)就能派上用場(chǎng)；在身份識(shí)別領(lǐng)域，可以利用AI讀唇語(yǔ)來(lái)實(shí)現(xiàn)口型支付密碼輸入，“動(dòng)動(dòng)嘴唇”就能實(shí)現(xiàn)身份識(shí)別和支付交易；在公共安全領(lǐng)域，利用AI讀唇語(yǔ)，可以在各類(lèi)視頻中分析案件當(dāng)事人的唇語(yǔ)信息，輔助案件偵查工作；在智慧系統(tǒng)領(lǐng)域，可利用AI讀唇語(yǔ)來(lái)實(shí)現(xiàn)“無(wú)聲勝有聲”——只依靠口型來(lái)控制智能設(shè)備，比如智能家電等。

　　當(dāng)然，技術(shù)應(yīng)用是把雙刃劍。很多人擔(dān)心，AI讀唇語(yǔ)會(huì)使人們對(duì)話中的隱私內(nèi)容遭到泄露，無(wú)論當(dāng)事人是公開(kāi)發(fā)言、竊竊私語(yǔ)或是自言自語(yǔ)。“張張嘴”就被別人竊取聊天內(nèi)容，仔細(xì)想來(lái)確實(shí)可怕。

　　閆懷志表示，這種擔(dān)心并非杞人憂天。AI讀唇語(yǔ)導(dǎo)致的隱私泄露，一方面可能是有人惡意進(jìn)行唇語(yǔ)獲取識(shí)別，另一方面也可能是正常使用的AI讀唇語(yǔ)系統(tǒng)，但其中的存儲(chǔ)、使用等環(huán)節(jié)保護(hù)不當(dāng)，導(dǎo)致相關(guān)數(shù)據(jù)被竊取或?yàn)E用，進(jìn)而對(duì)個(gè)人權(quán)益造成損害。而且，由于涉及到當(dāng)事人的對(duì)話內(nèi)容，具有明顯的方向性，這種隱私泄露的危害性可能要比普通的個(gè)人信息泄露更為嚴(yán)重。

　　因此，閆懷志建議，應(yīng)從隱私安全保護(hù)的角度，在管理層面加強(qiáng)相關(guān)法律法規(guī)的制定，嚴(yán)格規(guī)范和約束AI讀唇語(yǔ)的應(yīng)用場(chǎng)景、范圍和目的，加大對(duì)技術(shù)惡意利用的監(jiān)管和懲戒力度。此外，還要在技術(shù)層面加強(qiáng)AI讀唇語(yǔ)系統(tǒng)的安全保護(hù)體系建設(shè)，以技術(shù)手段提高系統(tǒng)的識(shí)別精準(zhǔn)度，避免技術(shù)濫用，切實(shí)保障用戶(hù)對(duì)話的內(nèi)容安全。（記者翟冬冬）