去年10月2日，西甲賽場，皇家馬德里在主場被實力一般的埃瓦爾逼平，比賽結(jié)束后，主場球迷噓聲四起，夾雜謾罵，這惹惱了步入球員通道的當家球星C羅，他被媒體拍到小聲嘟囔著什么，就當C羅默認只有他自己知道在抱怨什么的時候，《阿斯報》請來的唇語專家告訴大家，C羅在說：“Qué poca calma!”，大致可以解釋為：“能不能安靜點！”
這并非“讀唇術(shù)”首次揭穿名人的唇語。另一個更著名的案例是，早在當年英國查爾斯王子迎娶卡米拉時，唇讀者就成功破解了伊麗莎白二世與兒子的低語，也讓女王糟糕的婆媳關(guān)系浮現(xiàn)在大眾眼前。所以公眾人物大概并不喜歡那些唇語專家（何況他們許多時候充斥著臆測成分）——但令C羅們遺憾的是，當人工智能在各領(lǐng)域漸次開放，在唇語識別上，機器也已經(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)：系統(tǒng)通過機器視覺從圖像中連續(xù)識別出人臉，提取口型的連續(xù)變化特征，隨即將連續(xù)變化的特征輸入到識別模型中，識別出講話人口型對應(yīng)的發(fā)音，從而計算出可能性最大的表達語句。
人類費盡心力開發(fā)AI，當然不是為了滿足自身的窺私欲。事實上，讓機器習得“讀唇術(shù)”，在公共安全，軍事情報，身份識別和社會公益等領(lǐng)域，都藏匿著頗為重要的應(yīng)用場景。
嗯，在人工智能即將大范圍落地的前夜，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。
唇語識別在國外早有先例（譬如谷歌，后面會談到），但成熟的唇語識別系統(tǒng)需要建立在大量人臉特征樣本的基礎(chǔ)上，鑒于人種的生物特征以及語言特征區(qū)別，不能完全照搬國外系統(tǒng)。據(jù)悉目前這一技術(shù)在國內(nèi)的領(lǐng)跑者是長期深耕于公安，交通，航空和軍工等領(lǐng)域的海云數(shù)據(jù)——他們訓練了超過1萬小時新聞類節(jié)目，用來判斷嘴型的準確度和語言的準確性。
那么問題是：相較于大眾更熟悉的其他生物特征識別，教會人工智能“讀唇術(shù)”，究竟意味著什么？
機器“讀唇術(shù)”
事實上，與人類天生擁有超強的面部識別能力不同（“臉盲”甚至被當做一種病），人類體內(nèi)并無任何“唇讀”基因，任何人都需要枯燥的后天訓練，且很大程度上取決于對語境和語言本身的了若指掌。而如今，機器可以比唇語專家更精確地識別這個無聲的世界。
如你所知，更便宜的計算，更好的算法，以及更大的數(shù)據(jù)量，讓六十年來不斷幻滅又重燃希望的人工智能時代近在咫尺。其中最關(guān)鍵的變量就是數(shù)據(jù)量的井噴（許多深度學習基本模型在上世紀八九十年代就已出現(xiàn)，但數(shù)據(jù)的稀缺令這種偉大的基礎(chǔ)框架偃旗息鼓），海量數(shù)據(jù)是“喂養(yǎng)”多層神經(jīng)網(wǎng)絡(luò)的飼料，也得以讓深度學習以一種非常精煉的算法模型解決了過去復(fù)雜的輸出模式。
唇語“語料”也一樣，為識別系統(tǒng)輸入海量優(yōu)質(zhì)數(shù)據(jù)顯得尤為重要。這里必須提及谷歌的人工智能公司DeepMind——要知道，去年在AlphaGo擊敗人類之后，DeepMind就把與人類的下一個競賽場切換至讀唇術(shù)上：他們與牛津大學的研究者使用總長超過5000小時（2010 年 1 月至 2015 年 12 月間的電視節(jié)目素材，如BBC 各類節(jié)目，總語句超過118000的新聞視頻）完成了對人工智能的訓練，然后使用 2016 年 3 月至9 月間播出的節(jié)目進行測試——結(jié)果發(fā)現(xiàn)，給予相同的視頻素材，專業(yè)唇語識別專家能達到12.4%的正確率，而AI系統(tǒng)識別正確率則是46.8%，高出了大概3倍。
再看國內(nèi)這邊，截至目前海云數(shù)據(jù)訓練新聞類節(jié)目時長是1萬小時（為什么是新聞類節(jié)目？當然是因為播音員的唇語最標準……）。據(jù)媒體報道，目前他們在英文方面可以達到80%的準確度，中文方面則是71%。當然，考慮到語音識別和人臉識別的準確率幾乎都達到95%以上，唇語識別真正投入實戰(zhàn)還尚需時日。
值得一提的是，中文自身的發(fā)音特性或許可以縮短唇語識別投入實戰(zhàn)的時間。拿普通話來說，一共有1270個發(fā)音，不考慮聲調(diào)差別，有近400個不同的發(fā)音，每個發(fā)音都有對應(yīng)口型，中文發(fā)音較英文為少，一字一音，規(guī)律清晰，只要使用正確方法，中文唇語識別其實更易獲得高準確率。
事實上，唇語識別并非這家曾被比爾蓋茨造訪，行事卻頗為低調(diào)的數(shù)據(jù)運營商首次觸及AI領(lǐng)域，作為中國大數(shù)據(jù)可視化的領(lǐng)跑者，海云數(shù)據(jù)去年就已經(jīng)通過“圖易大腦”觸及到了AI領(lǐng)域——要知道，大數(shù)據(jù)與AI本就是“魚水之歡”，可視分析底層就是計算機視覺，而計算機視覺在AI領(lǐng)域應(yīng)用之一就是唇語識別。將AI與可視分析進行強捆綁，未來通過成熟的產(chǎn)品為客戶提供服務(wù)，勢必成為這家公司變現(xiàn)的催化器。另一方面，海云在可視分析領(lǐng)域長期的積淀，以及在公安等領(lǐng)域的數(shù)據(jù)積累和服務(wù)體驗，對于其研發(fā)唇語識別也提供了重要的助力。
唇語識別可以用來干什么
相比于唇語識別的技術(shù)路徑，人們更關(guān)心，它將用于何處。
不妨先說回那位讓女王糟糕的婆媳關(guān)系浮出水面的讀唇人，她叫杰西卡·里斯，是英國知名的“讀唇女王”，自幼失聰?shù)乃齾s對唇語頗為敏感，就像偵探電影經(jīng)常上演的那樣，杰西卡的“奇異功能”被官方所看重，英國皇家檢察院曾雇傭她成為英國唯一的“官方讀唇證人”，試圖通過她去解讀警方用監(jiān)控攝像機拍下來的嫌犯錄像，從而提供關(guān)鍵證據(jù)。只可惜，杰西卡卻在后來遭遇了信譽危機，英國專家對其讀唇能力測試之后，證明她的讀唇其實經(jīng)常出錯。
而如前所述，在唇語識別上，機器已遠超人類——并向95%以上的精準度狂奔而去，這意味著，杰西卡沒能做到的事，人們完全可以更加放心地交給機器。這也正是海云數(shù)據(jù)正在布局的。要知道，公安系統(tǒng)中視頻信息量頗為龐大，且在安全態(tài)勢和案情分析中發(fā)揮巨大作用，但它們很多都以“默片”方式存在（畢竟人物活動地點離攝像頭都有一定距離），只看得清嘴型，卻不知說些什么。針對于此，海云數(shù)據(jù)通過在人的嘴巴上部署諸多識別位點，通過位點判斷嘴型，判斷視頻中人所講出來的關(guān)鍵性內(nèi)容，這無疑能巨大釋放視頻圖像里面的信息——換句話說，在人工智能的加持之下，海云的可視分析系統(tǒng)能夠從聲音，圖象，視頻，空間和地理信息等多重緯度，進行綜合態(tài)勢的判斷，可以大幅度豐富其現(xiàn)有的公共安全大數(shù)據(jù)一站式解決方案。
除了公共安全，在“私人”安全上，唇語識別技術(shù)也大有可為。你知道，當萬物互聯(lián)時代即將來臨，身份識別的下一篇章勢必由指紋，人臉，虹膜等生物識別技術(shù)替代，從而將人們與機器的信任關(guān)系提升一個安全系數(shù)。最直接的例子當然是安防。如今在上述常見的生物認證之外，“唇語密碼”也可作為重要方式：識別系統(tǒng)從嘴唇圖像列序中提取形狀，質(zhì)地和動作等特征，通過訓練建立模型并確定臨界值，最終決定接受或拒絕密碼。畢竟，唇語擁有非常高的不可復(fù)制性（兩個人說同一句話，嘴唇動作特征完全不一樣），且不同于指紋和人臉這些靜態(tài)生物特征被盜取后無法重置，人們可以隨意改變唇語密碼。
除此之外，唇語識別在很多領(lǐng)域都可以帶來巨大福祉，誠如牛津大學研究員Yannis Assael所言：“我們相信AI唇讀是一種非常實用的輔助性技術(shù)，比如更智能的助聽器，不便出聲的公共場合，以及在嘈雜環(huán)境下精準的語音識別等。”
嗯，就拿海云數(shù)據(jù)來說，當其可視分析能力配之以人工智能，無疑會大幅提高在公共安全，軍事情報和殘障教育等領(lǐng)域的競爭力。舉例而言：通過唇語識別，讓無法開口說話的殘障人士“開口說話”；讓聽力障礙者和不少老年人更清晰地聽懂他人；而在軍事情報領(lǐng)域，唇語識別讓遠距離獲取情報成為可能。
可以預(yù)見，在未來，當古老的讀唇術(shù)被人工智能發(fā)揮到極致，希望世界會變得更好。
李北辰/文（知名科技自媒體，致力于用文字優(yōu)雅的文章，為您提供談資與見識）
