厉害了我的 AI，唇语都会读了

由于唇语解读技术的出现，我们在体育比赛中越来越多地看到这样的画面：

图片来自：Mirror

或是这样的：

图片来自：Goal.com

事实上，即使是专业的唇语解读者，其准确率也只有 20%-60%。所以很多时候，一知半解的 “专家” 们基本也是依靠脑洞强行解读的。被专家们坑害多次后，球员们只好采取这种令人尴尬的方式交流了……

不过，牛津大学最新研发的人工智能系统，有望大幅提高唇语解读的准确性。

图片来自：视频截图

根据牛津大学新发表的论文，这个叫 LipNet 的人工智能系统，能够将视频中人物的嘴巴活动与其台词进行匹配，准确率高达 93.4%。而在此之前，即使是最先进的逐字对照系统，其准确率也只有 79.6%。

研究人员表示，他们换了一种思维方式，不是通过可视音素（语音中最小的不可再分解的单位）系统来训练 AI 识别每一种唇部活动，而是让它能够一次性处理整个句子。这就使得 AI 能够自己学习字母与唇部细微变化之间的对应关系。

在训练过程中，研究人员向 AI 展示了近 29000 个标有正确文本的视频，每个视频长度为 3 秒。为了了解人类唇语解读者在面对同样的任务时的表现，该团队还招募了三名实验人员，让他们随机观看了其中的 300 个视频。

结果显示，参与实验的人员平均错误率为 47.7%，而 AI 只有 6.6%。

不过，这不并代表 AI 就能准确读懂唇语了。因为在训练时，研究人员使用的视频都是经过精心策划的，视频画面光线充足，每个人都正对镜头，且吐字清晰、发音标准，台词也是类似于 “立即将蓝色放入 m1” 这种包含命令、颜色、介词、字母、数字等格式的句子。

如果让 AI 去解读 YouTube 上随机挑选的视频，效果可能不见得比人类好多少。

值得一的是，这个项目得到了来自 Alphabet 旗下的 DeepMind 实验室的资助。

OpenAI 的杰克·克拉克（Jack Clark）认为，LipNet 还需要进行以下三个方面的改进，即通过大量真实环境中人物的讲话视频，让 AI 能够从多个角度阅读嘴唇，并增加短语的类型。

当然，开发这样一个 AI 可不是为了解满足球迷和媒体的八卦之魂的，听力受损人群才是这一工具的目标。

如果唇语解读 AI 能够得到完善，它将帮助数百万听力障碍者 “听懂” 其他人的对话。此外，通过听取视频快速生成准确的字幕也是其可能的应用领域之一。

题图来自：Taringa