這個(gè)春節(jié)，《狂飆》這部口碑好劇引發(fā)了全網(wǎng)“現(xiàn)象級(jí)追劇”。但昨天，有細(xì)心的觀眾發(fā)現(xiàn)，劇情人物突然出現(xiàn)臺(tái)詞“亂飆”的情況——大量后期配音，使孟德海這個(gè)角色“說話和口型對(duì)不上”。于是，一些鐵桿粉絲努力讀唇語對(duì)口型，試圖找回原本的臺(tái)詞。

“看個(gè)劇，還得會(huì)唇語了？”雖是劇情需要，臺(tái)詞或許做出了適當(dāng)改變，但也因此讓一些好奇的觀眾突發(fā)奇想學(xué)唇語。

(資料圖片)

事實(shí)上，人工唇讀學(xué)習(xí)很難，那么AI唇讀能不能助觀眾一臂之力呢？2月1日，天目新聞?dòng)浾卟稍L了浙江大學(xué)教授、視覺感知教育部-微軟重點(diǎn)實(shí)驗(yàn)室副主任宋明黎。

電視劇《狂飆》劇集截圖

AI怎么識(shí)別唇語呢？唇語識(shí)別是怎么實(shí)現(xiàn)的呢？

那首先要了解下唇語識(shí)別（lip-reading）——先從圖像中識(shí)別出人臉，提取人說話時(shí)口型變化的特征，通過嘴型特征來識(shí)別音素。

“目前，AI唇讀肯定還達(dá)不到語音識(shí)別接近百分之百的準(zhǔn)確率，但它的準(zhǔn)確率也能達(dá)到了百分之八十多。”宋明黎表示，在識(shí)別過程中，很可能會(huì)出現(xiàn)同音不同字的情況，但人們可以根據(jù)唇語翻譯的文字，做進(jìn)一步糾正后，便可以知道句子真實(shí)的意思。也就是說，在理想的情況下，通過AI唇讀，觀眾們也是可以知道未經(jīng)配音的原來的主要臺(tái)詞內(nèi)容。

宋明黎表示，我們可以把視頻輸入通過人工智能已訓(xùn)練好的模型，這個(gè)模型可以提取嘴巴所在的位置，然后把嘴巴所在的位置框出來，形成“嘴巴動(dòng)”的序列，“這個(gè)序列就是不同的字，把口型變化的序列當(dāng)成音頻一樣輸入模型，這個(gè)模型就會(huì)把它解析出來，形成文字。”

目前，宋明黎所在的課題組發(fā)布了國際上最大的普通話唇語標(biāo)注數(shù)據(jù)集，“這個(gè)數(shù)據(jù)集是基于中央電視臺(tái)的新聞聯(lián)播來提取的，所以能夠識(shí)別的必須是‘字正腔圓’的普通話。”宋明黎說，接下來，對(duì)于AI唇讀的研究主要是讓它更加適配于實(shí)際場(chǎng)景的數(shù)據(jù)。

即使是最先進(jìn)的系統(tǒng)，也難以克服唇動(dòng)中的模糊性，使其性能無法超越基于音頻的語音識(shí)別。為了追求更高效的系統(tǒng)，阿里巴巴、浙江大學(xué)和史蒂文斯理工學(xué)院的研究人員已經(jīng)設(shè)計(jì)了一種方法，利用從語音識(shí)別器中提取的特征作為補(bǔ)充線索。在衡量準(zhǔn)確性的在兩個(gè)唇語識(shí)別行業(yè)標(biāo)桿基準(zhǔn)測(cè)試上，以7.66% 和2.75%的字錯(cuò)誤率優(yōu)于已有技術(shù)。

此外，唇讀其實(shí)是聾校教學(xué)內(nèi)容之一，人們學(xué)習(xí)唇語，需要的不僅是視覺感受能力和語言理解能力，還有培養(yǎng)判斷推理能力；而且需要注意力高度集中才能完成，難度可想而知，“學(xué)會(huì)人工的唇讀取決于個(gè)人的素質(zhì)，但是AI如果做好的話，你就不用去刻意去學(xué)習(xí)，普惠性會(huì)比較強(qiáng)。”宋明黎說。

雖然目前AI讀唇語還在研究階段，但隨著未來技術(shù)成熟，會(huì)催生出更多的應(yīng)用場(chǎng)景，聾啞人群就是其中一個(gè)受益群體。

宋明黎團(tuán)隊(duì)曾經(jīng)做過一個(gè)研究項(xiàng)目，設(shè)計(jì)一款穿戴式的智能設(shè)備，專為聾啞人群使用，它裝有一個(gè)攝像頭。雖然聾啞人聽不見他人說話，但眼睛是好的，給他們佩戴一個(gè)AR眼鏡，利用唇語識(shí)別的功能把文字顯示在眼鏡屏幕上，這樣就起到一個(gè)增強(qiáng)現(xiàn)實(shí)的效果。

AI讀唇還有一些特殊的場(chǎng)景，也是在《狂飆》電視劇中多次出現(xiàn)的場(chǎng)景。

“比如說公安或者是軍人，他們要去執(zhí)行任務(wù)，偷偷打入敵方內(nèi)部，到了目標(biāo)地點(diǎn)人們可能無法出聲，但他可以用嘴型與隊(duì)友交流，利用AI讀唇就可以迅速識(shí)別出來。”宋明黎說，當(dāng)然，這些應(yīng)用場(chǎng)景的實(shí)現(xiàn)，還面臨一些挑戰(zhàn)。我們想讓AI讀唇更加接近于實(shí)際的場(chǎng)景。之前我們數(shù)據(jù)的收集，大多來自新聞聯(lián)播主播播音，那樣的唇語條件太過苛刻。我們還是希望采用實(shí)際普通人說話的場(chǎng)景，更具隨意性，比如說話人的視角不是正對(duì)著聽話人，可能角度有點(diǎn)偏，這種場(chǎng)景的實(shí)際意義更大。

“更重要的一點(diǎn)是，AI讀唇語的準(zhǔn)確率還要再提高，要達(dá)到非常接近語音識(shí)別程度的準(zhǔn)確率，AI讀唇才能真正被應(yīng)用起來。如果準(zhǔn)確率達(dá)不到要求，它推廣起來就會(huì)有些障礙。目前我們還需要在現(xiàn)實(shí)中積累大量數(shù)據(jù)，用于訓(xùn)練人工智能。”宋明黎表示，在可以預(yù)見的將來，人工智能可以讀取更多信息，除了讀語音、讀人臉、讀唇語，讀懂表情也是人們很感興趣的一個(gè)方向。

現(xiàn)在國內(nèi)外從事AI讀表情的相關(guān)研究很多。宋明黎介紹，表情識(shí)別分成兩種，一種是早期研究者把人的表情分成了6種情況，比如高興、悲傷、沮喪和驚訝等。依照這6種表情類別，目前AI讀表情技術(shù)基本可以做到百分之九十幾的準(zhǔn)確率，“但如今這個(gè)簡(jiǎn)單的分類已無法滿足要求了，在實(shí)際使用時(shí)，人們更希望識(shí)別出人臉上的微表情。因?yàn)槿撕腿酥g交往溝通時(shí)，面部的微表情更多、更復(fù)雜，而且微表情更能展示人內(nèi)心的真實(shí)想法。當(dāng)然，AI讀微表情的難度也更大。”

關(guān)鍵詞： 語音識(shí)別 人工智能 浙江大學(xué)