“動動嘴皮子”，AI就能知道你在說啥

翟冬冬

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 北京理工大學計算機學院副教授、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。”北京理工大學計算機學院副教授、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)來訓練AI模型，力求文本輸出的準確性。”閆懷志補充道。

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)訓練而得。但是，從技術(shù)框架上來說，不同語種的訓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。“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，這種擔心并非杞人憂天。AI讀唇語導致的隱私泄露，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。