可以想見,，由于公益、公共安全,、國家安全等領(lǐng)域巨大的潛在需求的牽引,，以及AI技術(shù)飛速發(fā)展的強力推動作用，在不久的將來,，AI讀唇語有望實現(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)計算機學(xué)院副教授、網(wǎng)絡(luò)與安全研究所所長

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

然而,，AI讀唇語并非只能被用于破譯“隱藏劇情”。據(jù)統(tǒng)計,，我國聽力殘障人口超過2054萬,，除了主要的手語交流外，讀唇語也是他們重要的溝通方式,。但人工解讀唇語容易受到個人經(jīng)驗,、視覺感受能力、語言理解能力等因素影響,，在正確率方面差強人意,，于是人們開始嘗試利用AI技術(shù)來解讀唇語。

比唇語專家更懂唇語

“所謂AI讀唇語,，即人工智能唇語識別,，其核心技術(shù)框架為視覺識別和自然語言處理?！北本├砉ご髮W(xué)計算機學(xué)院副教授,、網(wǎng)絡(luò)與安全研究所所長閆懷志介紹道，具體而言,，就是利用機器視覺技術(shù),，將人臉從圖像中連續(xù)識別出來，并提取其中連續(xù)的口型變化特征,，輸入至唇語識別模型,，辨識出該人物口型對應(yīng)的發(fā)音，進而輸出可能性最大的表達語句,。

“視覺識別和自然語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)，都是通過大量的唇語數(shù)據(jù)來訓(xùn)練AI模型，力求文本輸出的準確性,?！遍Z懷志補充道。

近幾年,，不斷有AI巨頭開始在唇語識別賽道上作出嘗試,。谷歌旗下Deep Mind公司就與英國牛津大學(xué)合作，研發(fā)出了一款A(yù)I讀唇語軟件,，通過讓AI讀唇語軟件“收看”數(shù)千小時的電視節(jié)目來訓(xùn)練其唇語識別能力,。有意思的是，在隨機抽取200個視頻片段的讀唇語測試中,，AI讀唇語軟件的準確率達到了46.8%,，而經(jīng)過專業(yè)訓(xùn)練的人類讀唇語專家，準確率僅為12.4%,。

為何AI讀唇語能夠悄然興起,？閆懷志給出了自己的分析：一是強烈的需求牽引，二是巨大的技術(shù)推動,。從需求牽引來說,，唇語識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)推動來說,，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)在唇語識別領(lǐng)域取得較大成功成為現(xiàn)實,。

眾多難題有待突破

不過，閆懷志也表示,，目前我國人工智能唇語識別技術(shù)尚處于起步階段,，若想利用人工智能準確地識別唇語，還有很長的路要走,。

從語言本身來看,，人類語言具有較高的復(fù)雜性，在人類話語所涉及的所有音標中,，僅有30%左右是直接由人類嘴唇來控制的,，70%是難以通過肉眼，甚至是機器視覺區(qū)分的齒音,、舌音以及喉音,。而且,，不同人說話的語氣,、方言、連詞、口音,，乃至胡須遮蓋等因素,，都會導(dǎo)致嘴型的細微變化，而恰恰是這種細微變化,，會嚴重影響人工智能對于唇語的識別和判斷,。

從技術(shù)層面來看，人工智能采集唇語的環(huán)境通常較為復(fù)雜,，若想精準識別難度很高,。以目前的人工智能技術(shù)而言，對于長句,、復(fù)雜句式等的識別水平不盡如人意,，更不用說還存在著多場景識別、多人像唇語識別等問題,。

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

人類不同語種之間千差萬別，AI能讀懂每個語種的唇語嗎,？

閆懷志介紹,，此前較為成功的AI讀唇語系統(tǒng)大多僅限于英語模型，這是因為多數(shù)AI模型都是基于英語數(shù)據(jù)訓(xùn)練而得,。但是,，從技術(shù)框架上來說，不同語種的訓(xùn)練模型是基本一致的,，或者說可以依賴于同一類技術(shù)手段來實現(xiàn),。

當然，為了適應(yīng)不同語種的唇語識別,，也需要作一些適應(yīng)性調(diào)整：一方面要選擇對應(yīng)語種的數(shù)據(jù)進行有針對性的訓(xùn)練,；另一方面，還需要對AI模型進行調(diào)整,，比如納入時間屏蔽,、優(yōu)化語言模型以及改進超參數(shù)等。

此外,，同一語種也會有不同口型,，即便口型類似，也可能代表著完全不同的意思,。因此,，成熟的AI讀唇語系統(tǒng)需要大量的唇語特征樣本數(shù)據(jù)，并盡可能地覆蓋多種應(yīng)用場景、多類型的說話人群,，借此來提升訓(xùn)練后的唇語識別模型的泛化能力,，提高AI讀唇語對于不同口型和不同表意語言的識別準確率。

亟須監(jiān)管的技術(shù)雙刃劍

盡管存在種種難題,，但仍有越來越多的AI企業(yè)開始涉足并計劃深耕人工智能唇語識別賽道,。目前來看，各大AI巨頭的選擇不盡相同,，具體可分為唇語數(shù)據(jù),、唇語視頻識別、唇語理解等,。

閆懷志也表示,，目前許多人工智能唇語識別技術(shù)領(lǐng)域已實現(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)用場景來看，AI讀唇語在社會公益,、公共安全等領(lǐng)域都已開始嶄露頭角,。從目前各大巨頭的布局以及相關(guān)技術(shù)的發(fā)展趨勢來看，AI讀唇語預(yù)期可在身份識別,、國家安全,、智慧系統(tǒng)等方面具有廣闊的應(yīng)用前景?！翱梢韵胍?，由于公益、公共安全,、國家安全等領(lǐng)域巨大的潛在需求的牽引,，以及AI技術(shù)飛速發(fā)展的強力推動作用，在不久的將來,，AI讀唇語有望實現(xiàn)快速推廣與深度普及,，產(chǎn)業(yè)前景十分可期?！遍Z懷志說,。

例如，在安防安監(jiān)領(lǐng)域,，很多安監(jiān)場景噪音較大或僅有視頻信號,，無法準確捕捉聲音，人工智能唇語識別技術(shù)就能派上用場,；在身份識別領(lǐng)域,，可以利用AI讀唇語來實現(xiàn)口型支付密碼輸入,，“動動嘴唇”就能實現(xiàn)身份識別和支付交易；在公共安全領(lǐng)域,，利用AI讀唇語，可以在各類視頻中分析案件當事人的唇語信息,，輔助案件偵查工作,；在智慧系統(tǒng)領(lǐng)域，可利用AI讀唇語來實現(xiàn)“無聲勝有聲”——只依靠口型來控制智能設(shè)備,，比如智能家電等,。

當然，技術(shù)應(yīng)用是把雙刃劍,。很多人擔(dān)心,，AI讀唇語會使人們對話中的隱私內(nèi)容遭到泄露，無論當事人是公開發(fā)言,、竊竊私語或是自言自語,。“張張嘴”就被別人竊取聊天內(nèi)容,，仔細想來確實可怕,。

閆懷志表示，這種擔(dān)心并非杞人憂天,。AI讀唇語導(dǎo)致的隱私泄露,，一方面可能是有人惡意進行唇語獲取識別，另一方面也可能是正常使用的AI讀唇語系統(tǒng),，但其中的存儲,、使用等環(huán)節(jié)保護不當，導(dǎo)致相關(guān)數(shù)據(jù)被竊取或濫用,，進而對個人權(quán)益造成損害,。而且，由于涉及到當事人的對話內(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人信息泄露更為嚴重。

因此,，閆懷志建議,，應(yīng)從隱私安全保護的角度，在管理層面加強相關(guān)法律法規(guī)的制定,，嚴格規(guī)范和約束AI讀唇語的應(yīng)用場景,、范圍和目的，加大對技術(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AI讀唇語系統(tǒng)的安全保護體系建設(shè),，以技術(shù)手段提高系統(tǒng)的識別精準度，避免技術(shù)濫用,，切實保障用戶對話的內(nèi)容安全,。