DeepMind 最 近 做 了 个 新 软 件 ， 它 能 读 懂 唇 语

但 是 它 的 实 际 准 确 率 其 实 存 在 争 议 AlphaGo 背 后 的 DeepMind 最 近 有 了 新 动 向 ， 它 与 哈 佛 大 学 的 研 究 人 员 合 作 研 发 出 了 一 套 可 以 读 懂 唇 语 的 软 件 。 在 哈 佛 大 学 最 新 发 表 的 论 文 中 ， 他 们 研 发 的 这 个 唇 语 阅 读 软 件 LipNet 准 确 率 高 达 93.4%。 这 个 准 确 率 远 高 于 此 前 研 发 出 来 的 其 他 唇 语 设 备 。 哈 佛 大 学 的 研 究 人 员 称 ， 这 是 因 为 他 们 采 用 了 不 同 的 方 法 来 训 练 LipNet 的 算 法 。 为 了 让 它 能 更 准 确 的 理 解 唇 语 ， 他 们 给 计 算 机 输 入 了 近 3 万 个 带 有 情 境 的 视 频 片 段 ， 每 个 片 段 有 3 秒 时 长 ， 然 后 训 练 算 法 去 匹 配 每 个 片 段 中 每 条 句 子 对 应 的 唇 形 和 发 音 ， 而 不 是 让 其 匹 配 每 个 单 词 的 唇 形 和 发 音 。 通 过 这 个 训 练 ， 他 们 的 算 法 就 能 根 据 上 下 文 情 境 ， 从 单 个 单 词 的 提 示 就 能 预 测 出 整 个 句 子 。 但 论 文 中 提 到 如 此 高 的 准 确 率 也 遭 受 了 质 疑 。 因 为 在 该 研 究 中 ， 他 们 用 来 训 练 算 法 使 用 的 视 频 片 段 是 经 过 精 心 挑 选 的 。 这 些 视 频 中 的 人 脸 必 须 面 向 屏 幕 ， 说 话 时 唇 形 要 很 明 显 ， 而 使 用 的 句 法 必 须 是 标 准 的 。 但 在 真 实 的 语 言 环 境 下 ， 人 们 说 话 时 所 使 用 的 句 法 并 不 是 完 全 标 准 的 。 Open AI 的 人 工 智 能 方 面 的 专 家 Jack Clark 称 ， 如 果 要 想 将 这 项 技 术 应 用 到 实 际 情 境 中 ， 至 少 还 需 要 在 三 个 方 面 进 行 改 进 ， 包 括 增 加 人 们 实 际 对 话 场 景 的 视 频 片 段 ， 实 现 多 个 角 度 识 别 唇 语 以 及 让 算 法 能 预 测 更 多 的 短 语 组 合 或 句 式 。 他 还 提 到 称 ， 如 果 能 在 实 际 情 境 下 应 用 ， 它 会 很 有 用 ， 比 如 用 到 助 听 器 中 ， 或 者 被 用 来 提 高 人 工 智 能 识 别 语 音 的 准 确 度 和 反 应 速 度 上 。 也 有 批 评 认 为 ， 它 的 应 用 也 对 公 民 的 言 论 自 由 造 成 了 威 胁 。 不 过 目 前 来 看 ， 这 一 切 现 在 看 起 来 还 有 点 远 。 题 图 cdn