原創(chuàng) 噓,AI正在悄悄聽懂你的話

原標(biāo)題:噓,AI正在悄悄聽懂你的話

小時(shí)候看特務(wù)電影時(shí),特工們往往有一項(xiàng)必備的技能,就是隔著幾百米遠(yuǎn)盯著正在說話的對象,從嘴型判斷出對方在說什么。有了這種記憶,導(dǎo)致如今看什么語音識(shí)別技術(shù)都覺得相當(dāng)一般——我都說出聲兒了你才聽懂,算什么AI好漢。

不過最近一項(xiàng)專利申請表明,微軟正在向特工學(xué)習(xí),推出了無聲語音識(shí)別技術(shù)。當(dāng)AI也能像特工一樣,無聲之中辯人言,我們的世界究竟會(huì)有什么不同?

除去唇語識(shí)別,AI還有什么方式悄悄聽懂你的話?

說起無聲語音識(shí)別,可能很多人第一反應(yīng)就是復(fù)制人類的方式,利用圖像識(shí)別進(jìn)行辯讀唇語。而利用唇語進(jìn)行語音識(shí)別這種方式也由來已久,但是識(shí)別的準(zhǔn)確率一直不算高。DeepMind曾在2016年做過測試,經(jīng)過1萬小時(shí)的新聞視頻訓(xùn)練,AI唇語準(zhǔn)確率達(dá)到了46.8%。國內(nèi)有一家企業(yè)曾經(jīng)提供過相關(guān)數(shù)據(jù):在對中文新聞視頻的識(shí)別中,準(zhǔn)確率達(dá)到了70%。而搜狗所推出的駕駛場景下的唇語識(shí)別,因?yàn)樯婕暗降脑~匯量很少,準(zhǔn)確率能夠達(dá)到90%。

可以發(fā)現(xiàn),相比現(xiàn)在主流語音識(shí)別動(dòng)輒95%、97%的準(zhǔn)確率,唇語識(shí)別準(zhǔn)確程度實(shí)在是有些拿不上臺(tái)面。對于中文這種一字一音節(jié)的語言來說還好,對于英文這種連音很多的語言來說,唇語識(shí)別要跨越的門檻確實(shí)不少。

另一方面來看,唇語識(shí)別所涉及到倫理問題實(shí)在過于嚴(yán)重。唇語識(shí)別的“射程”太遠(yuǎn),如果這種技術(shù)真的發(fā)展成熟,意味著天網(wǎng)之下的我們在交談時(shí)將再無隱私。在隱私焦慮越來越濃的今天,哪家企業(yè)公開研究這項(xiàng)技術(shù),只怕是覺得自己家的公關(guān)部門過得太清閑。

因此包括微軟在內(nèi)的產(chǎn)業(yè)和學(xué)界,都在尋找一種更精準(zhǔn)也更隱私的無聲語言識(shí)別。目前看來,無聲語音識(shí)別的技術(shù)方向可以被分為兩個(gè)“派系”,一是“氣宗”,另一個(gè)是“電宗”。

微軟所提交的專利,就是典型的“氣宗”——在終端上添加傳感器,通過感知用戶說話時(shí)的氣流來判斷用戶說話的內(nèi)容。這種終端如同一只小型麥克風(fēng),置于用戶嘴邊,用戶在說話時(shí)形成的氣流會(huì)在設(shè)備中形成反射,經(jīng)過訓(xùn)練,可以將這些氣流反射的信號(hào)和文字一一對應(yīng)。

而“電宗”則更加神奇,我們知道人在說話時(shí)需要調(diào)動(dòng)整個(gè)下半張臉的肌肉,不同的文字發(fā)音所調(diào)動(dòng)肌肉的方式也并不相同。通過對面部EMG(肌電)信號(hào)的采集,來學(xué)習(xí)人類說話時(shí)面部EMG信號(hào)特征,并通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將EMG信號(hào)和文字對應(yīng)起來。

可以看出這兩種無聲語音識(shí)別都有一個(gè)共同的特點(diǎn),那就是自主性和私密性。不管是EMG信號(hào)采集還是氣流采集,都需要在講話者身上佩戴好設(shè)備,而不是像圖像技術(shù)一樣,能夠在遠(yuǎn)程且講話者不知情的情況下進(jìn)行采集分析。

無聲語音識(shí)別變成真·氣功?

不論是氣宗還是電宗,這些無聲語音識(shí)別技術(shù)都面臨著同樣的問題——既然要用戶把話說出來才能進(jìn)行識(shí)別,那為什么不直接應(yīng)用語音識(shí)別來進(jìn)行文字轉(zhuǎn)換和翻譯,非要弄一些和“氣功”一樣沒有切實(shí)應(yīng)用場景的花招?

其實(shí)無聲語音識(shí)別的應(yīng)用,可能不像大家想象的那樣廣泛,它既不能以最高效的方式幫助聽障人士,也不允許被應(yīng)用于監(jiān)聽等等工作。但在一些關(guān)鍵場合下,無聲語音識(shí)別卻可以發(fā)揮出奇用。

我們可以一起開動(dòng)腦筋,想想在哪里人們需要說話,但卻聽不到彼此的聲音。答案很簡單,要么是在聲音無法傳播的地方,要么是在一些特別嘈雜的地方。于是無聲語音識(shí)別就有了如下的應(yīng)用場景:

災(zāi)害現(xiàn)場、艙外探索、水下作業(yè)……

在這類場所中,人們或許為了躲避被污染的空氣、或許為了呼吸氧氣,都會(huì)穿上類似生化服、宇航員服等等特殊服裝。穿上之后既看不到對方的表情,也聽不到對方的聲音,更沒辦法用語音交互去控制其他設(shè)備了。同時(shí)環(huán)境情況(例如氧氣不夠充足)往往不允許人們以正常的聲音說話,加上防護(hù)服的封閉狀況會(huì)引起聲音的回響,以往的有聲語音識(shí)別在這種情況下很難發(fā)揮作用。

這時(shí)可以被安置在防護(hù)服內(nèi)部的無聲語音識(shí)別就顯得很有價(jià)值,講話者只需要做出口型就能向外界傳遞信息。

除此之外還有嘈雜的馬路、工廠車間、機(jī)場……

在這些場所中,想要讓對方聽清自己的聲音,往往需要扯著嗓子吼。想讓語音識(shí)別準(zhǔn)確拾音,更是難上加難。這時(shí)利用無聲語音識(shí)別就會(huì)輕松很多,不僅可以準(zhǔn)確表達(dá)信息,也能讓一些處于這種場合的工作人員戴上隔音耳塞保護(hù)自己的聽力。

實(shí)際上目前在歐洲一些型號(hào)的戰(zhàn)斗機(jī)中,就因?yàn)闄C(jī)艙內(nèi)噪音巨大、飛行員之間無法溝通,已經(jīng)應(yīng)用上了EMG信號(hào)無聲語音識(shí)別技術(shù)。

當(dāng)然,目前相比語音識(shí)別技術(shù)、甚至相比唇語語音識(shí)別,無聲語音識(shí)別技術(shù)的發(fā)展階段還很初級(jí),應(yīng)用效率也不高。

實(shí)際上無聲語音識(shí)別是一項(xiàng)典型的“美好而無用”的AI技術(shù),它既完美體現(xiàn)了一系列技術(shù)的排列組合,例如EMG信號(hào)無聲語音識(shí)別所體現(xiàn)出的AI與神經(jīng)學(xué)的結(jié)合;又在應(yīng)用上極大程度的受限,即使在一些聲音難以傳播的場景下,也要考慮計(jì)算條件、識(shí)別語音后信息再傳遞的媒介,更不用提復(fù)雜的數(shù)據(jù)收集工作了。

但我們有理由相信,在未來AI技術(shù)越來越普及化、應(yīng)用成本越來越低時(shí),總會(huì)出現(xiàn)一些極端場景應(yīng)用上這些看似無用的技術(shù)——也許未來有一天,戰(zhàn)斗機(jī)的控制也要應(yīng)用上語音交互呢?

極客網(wǎng)企業(yè)會(huì)員

免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請進(jìn)一步核實(shí),并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

2019-01-21
原創(chuàng) 噓,AI正在悄悄聽懂你的話
實(shí)際上無聲語音識(shí)別是一項(xiàng)典型的“美好而無用”的AI技術(shù),它既完美體現(xiàn)了一系列技術(shù)的排列組合,例如EMG信號(hào)無聲語音識(shí)別所體現(xiàn)出的AI與神經(jīng)學(xué)的結(jié)合;又在應(yīng)用上極大程度的受限,即使在一些聲音難以傳播的場

長按掃碼 閱讀全文