英國查爾斯王子迎娶卡米拉時，讀唇者成功破解了伊麗莎白二世與兒子的低語，讓女王糟糕的婆媳關(guān)系浮現(xiàn)在大眾眼前 —— 這可能是“唇語識別”第一次大面積走進大眾的視野。

什么是唇語識別

所謂的“唇語識別”，其實并不神秘。

早在古代，就有專門的唇語師存在。通過長期的訓(xùn)練，他們具備了“觀察別人的嘴型，解讀其表達語句”的能力。在現(xiàn)代社會里，一些聽力障礙者們也會使用這種技巧與他人進行交談，補充聽力器官的不足。

但隨著科技的發(fā)展，人工智能在各領(lǐng)域漸次開放，在唇語識別上，機器已經(jīng)做的比人類好了。

從技術(shù)路徑上，唇語識別是一項集機器視覺與自然語言處理于一體的復(fù)合型技術(shù)。

要理解這個“唇語識別”，需要注意這幾個關(guān)鍵詞：

運用機器視覺技術(shù)從圖像中識別出說話人的人臉，提取此人連續(xù)說話時口型變化的特征。

將連續(xù)變化的特征輸入到唇語識別模型中，識別說話人口型對應(yīng)的發(fā)音，運用大數(shù)據(jù)計算出可能性最大的自然語言語句。

圖中字幕是由谷歌AI通過唇讀實時同步輸出，語速之快，難度之大。

在唇語識別過程中，口型與發(fā)音，發(fā)音與文字之間，并不是唯一對應(yīng)的關(guān)系，常常有多個可能的備選結(jié)果，需要實時計算出可能性最大的結(jié)果。

唇語識別的研究現(xiàn)狀

早在 2003 年，Intel 就開發(fā)了唇語識別軟件 Audio Visual Speech Recognition（AVSR），開發(fā)者得以能夠研發(fā)可以進行唇語識別的計算機。

2016 年 Google DeepMind 的唇語識別技術(shù)就已經(jīng)可以支持 17500 個詞，新聞測試集識別準(zhǔn)確率首次達到了 50％ 以上。

海云數(shù)據(jù)，截至2018年他們訓(xùn)練新聞類節(jié)目時長是1萬小時。為什么是新聞類節(jié)目？當(dāng)然是因為播音員的唇語最標(biāo)準(zhǔn)。目前，海云數(shù)據(jù)在英文方面可以達到80％的準(zhǔn)確度，中文方面是71％

                                 海云數(shù)據(jù)的AI唇語識別測試

搜狗的通用識別準(zhǔn)確率在60％以上，而在車載、智慧家居等垂直場景下，準(zhǔn)確率高達90％。

                                  搜狗的AI唇語識別測試

從視頻中可以看出將面部放入橢圓形區(qū)域內(nèi)，不發(fā)聲的說出一段話，幾乎說完的瞬間，識別的文字就出現(xiàn)在屏幕上，無論是口語、詩詞、歌詞還是繞口令，都能很好的識別。

唇語識別的技術(shù)原理

AI唇語識別技術(shù)原理：

唇語識別技術(shù)從鏡頭輸入到理解輸出，中間最重要的關(guān)鍵是：視覺前段、視覺特征提取、唇動識別。

 視覺前段——包括人臉檢測與唇的檢測和定位，先用人臉檢測演算法得到人臉然后有針對性的定位唇動；

或者利用最佳閩值二值化演算法，以唇的邊緣是平滑的，和左右形狀對稱為條件，作為二值化閩值選定的約束條件，得到平滑而對稱的唇圖像。

視覺特征提取——是對獲取的唇圖像進行處理得到對應(yīng)特征，特征提取方法主要分為基于圖元的方法和基于模型的方法兩大類；

搜狗所用的基于模型的方法就是，對唇的輪廓建立一個模型，將特征資訊包含在這個模型之中，并對模型中特征資訊的變化用一個小的參數(shù)來描述。

這類方法的優(yōu)點是重要特征被表示成二維參數(shù)，不會因光照、縮放、旋轉(zhuǎn)、平移而改變，缺點是忽略了細微的三維資訊，可能會對后面的識別過程造成影響。

 唇動識別——目前采用的技術(shù)大多是隱瑪爾可夫模型（ Hidden Markov Model，簡稱 HMM ），該模型認為唇動信號在極短時間內(nèi)是線性的，可以用線性參數(shù)模型來表示，然后將許多線性模型在時間上串接起來，組成一條瑪爾可夫鏈。

瑪爾可夫鏈可以用來描述統(tǒng)計特征資訊的變化，并且這種變化過程與人的唇動過程是相吻合的，所以 HMM 能夠識別唇動并與相應(yīng)語句匹配轉(zhuǎn)化成文字。

隨著機器學(xué)習(xí)方法在語音識別領(lǐng)域里取得的巨大成功，尤其是 HMM 的應(yīng)用，根據(jù)唇語識別研究和語音識別的相似性，出現(xiàn)了大量的 HMM 應(yīng)用在唇語識別領(lǐng)域的研究成果。

在非特定開放口語測試中，目前的通用識別準(zhǔn)確率已經(jīng)在 70％ 以上，而在金融風(fēng)控、車載、智能家居等垂直場景下，已達到超過 90％ 的準(zhǔn)確率。

唇語識別的研究意義

人類費盡心力開發(fā)研究人工智能、提高唇語識別的準(zhǔn)確率，除了偷窺伊麗莎白二世和兒子的秘密外，還有很多更為廣泛的用途：

比如應(yīng)用于金融在線業(yè)務(wù)的生物識別、噪聲環(huán)境下輔助語音識別、輔助聽障人士交流、體育賽事暴力語言識別等多個領(lǐng)域，這些都是有著實際意義且頗為重要的應(yīng)用場景。

自出現(xiàn)唇語識別技術(shù)出現(xiàn)起，就有聲音說唇語識別是語言交互的高階戰(zhàn)，甚至可能帶來一場革命。

但在人工智能大范圍落地的今天，國內(nèi)從業(yè)者扎堆涌入的，大多為語音識別，圖像識別，人臉識別，機器翻譯，無人駕駛，虛擬助手和個性化內(nèi)容推薦等領(lǐng)域，相較這些聚光燈之下的落地場景，唇語識別相對冷僻。

但業(yè)界的常識是：人工智能未來將會出現(xiàn)一個數(shù)萬億美元的巨大市場，在面對具體乃至細碎的應(yīng)用場景時，人工智能的細分程度，勢必如百年前的電力那般觸角龐雜。

而廣袤的嫁接空間也意味著，從真實應(yīng)用場景出發(fā)，人工智能領(lǐng)域會出現(xiàn)不少藍海市場，被國內(nèi)巨頭忽視的唇語識別就是其中之一。