專業(yè)唇語閱讀者識別唇語的準(zhǔn)確率只有20%到60%。人類在日常說話過程中嘴唇的微小移動很難被可靠地解讀，尤其是在有一定距離，或畫面不清晰的情況下。不過，唇語并不只是美劇《海軍罪案調(diào)查科》中的噱頭，對全球的失聰者來說，這是一項有用的工具。如果能可靠地解讀，那么將給數(shù)百萬人帶來幫助。

牛津大學(xué)的*新研究描述了一種名為LipNet的人工智能系統(tǒng)。通過“觀看”人類說話的視頻，以及輸入相應(yīng)文字，這一軟件對唇語的解讀準(zhǔn)確率高達93.4%。這項研究得到了谷歌（微博）旗下DeepMind的資助。

此前*佳的唇語解讀工具只能實現(xiàn)逐個單詞的解讀，準(zhǔn)確率只有79.6%。牛津大學(xué)研究員表示，新系統(tǒng)獲得成功的關(guān)鍵在于通過不同方式去思考這一問題。這一系統(tǒng)不再利用可視元素，即說話者嘴型的變化去訓(xùn)練人工智能，而是每次都處理一整個句子。這使得人工智能可以學(xué)會單詞對應(yīng)于什么樣的嘴型變化。

為了訓(xùn)練這一系統(tǒng)，研究員向人工智能展示了2.9萬條帶文字標(biāo)簽的視頻，每段視頻長度為3秒。而為了觀察專業(yè)唇語閱讀者做得如何，該團隊還邀請了“牛津?qū)W生殘疾人社團”的3名成員，用300條隨機視頻去進行類似的測試。這些專家的平均錯誤率為47.7%，而人工智能的錯誤率只有6.6%。

盡管這一項目取得了成功，但也暴露出了當(dāng)代人工智能研究的局限。在指導(dǎo)人工智能如何閱讀唇語的過程中，牛津大學(xué)團隊使用了經(jīng)過設(shè)計的視頻。視頻中的所有人物都面向前方，光線明亮，說出標(biāo)準(zhǔn)結(jié)構(gòu)的語句。

視頻中的典型語句時長為3秒鐘，例如：“Place blue in m 1 soon。”這其中包括命令、顏色、介詞、字母、數(shù)字，以及副詞。所有語句都采用這樣的模式。因此，人工智能的超高準(zhǔn)確率只是在一種極端情況下取得的。如果要求人工智能從隨機的YouTube視頻中閱讀唇語，那么結(jié)果可能很不準(zhǔn)確。

有其他研究人員指出，利用這種特殊視頻去訓(xùn)練并不符合真實世界場景。不過，論文作者南多·德弗雷塔斯（Nando de Freitas）為自己的成果進行了辯護。他指出，該團隊曾嘗試過其他視頻，但這些視頻帶來了太多“噪音”。這些視頻各不相同，因此人工智能無法取得有意義的結(jié)論。這也意味著，完美的數(shù)據(jù)集可能并不存在。德弗雷塔斯認(rèn)為，考慮到這一人工智能的準(zhǔn)確率，*終情況如何將取決于任務(wù)本身。

OpenAI的杰克·克拉克（Jack Clark）表示，如果希望在現(xiàn)實世界中得到應(yīng)用，那么這一人工智能還需要三方面的優(yōu)化：人們在現(xiàn)實世界場景中大量的說話視頻；讓人工智能可以從多個不同角度去閱讀唇語；以及讓人工智能可預(yù)測的短語類型更多樣化。

克拉克表示：“這項技術(shù)具備顯而易見的應(yīng)用，但這看起來似乎并不可能?！比绻斯ぶ悄芸梢詫W(xué)會閱讀唇語，那么將適用于多種場景。此類系統(tǒng)可以被用于幫助聽力障礙人士了解周圍發(fā)生的對話，或是讓其他人工智能更好地辨別視頻中的聲音，生成準(zhǔn)確的字幕。