噓，AI正在悄悄聽懂你的話

小時候看特務電影時，間諜們往往有一項必備的技能，就是隔著幾百公尺遠盯著正在說話的對象，從嘴型判斷出對方在說什麼。有了這種記憶，導致如今看什麼語音辨識技術都覺得沒在沒什麼了不起——都說出聲音了你才聽懂，算什麼AI好漢。

不過最近一項專利申請表明，微軟正在向間諜學習，推出了無聲語音辨識技術。當AI也能像特務一樣，無聲之中辯識人言，我們的世界究竟會有什麼不同？

除去唇語辨識，AI還有什麼方式悄悄聽懂你的話？

說起無聲語音辨識，可能很多人第一反應就是複製人類的方式，利用圖像辨識進行辯讀唇語。而利用唇語進行語音辨識這種方式也由來已久，但是辨識的準確率一直不算高。DeepMind曾在2016年做過測試，經過1萬小時的新聞影片訓練，AI唇語準確率達到了46.8%。中國有一家企業曾經提供過相關數據：在對中文新聞影片的辨識中，準確率達到了70%。而搜狗所推出的駕駛場景下的唇語辨識，因為涉及到的詞彙量很少，準確率能夠達到90%。

可以發現，相比現在主流語音辨識動輒95%、97%的準確率，唇語辨識準確程度實在是有些拿不上檯面。對於中文這種一字一音節的語言來說還好，對於英文這種連音很多的語言來說，唇語辨識要跨越的門檻確實不少。

另一方面來看，唇語辨識所涉及到倫理問題實在過於嚴重。唇語辨識的「射程」太遠，如果這種技術真的發展成熟，意味著天網之下的我們在交談時將再無隱私。在隱私焦慮越來越濃的今天，哪家企業公開研究這項技術，只怕是覺得自己家的公關部門過得太清閒。

因此包括微軟在內的產業和學界，都在尋找一種更精準也更隱私的無聲語言辨識。目前看來，無聲語音辨識的技術方向可以被分為兩個「派系」，一是「氣宗」，另一個是「電宗」。

微軟所提交的專利，就是典型的「氣宗」——在終端裝置上加入感應器，透過感知使用者說話時的氣流來判斷使用者說話的內容。這種終端如同一隻小型麥克風，放置在使用者嘴邊，使用者在說話時形成的氣流會在設備中形成反射，經過訓練，可以將這些氣流反射的訊號和文字一一對應。

而「電宗」則更加神奇，我們知道人在說話時需要調動整個下半張臉的肌肉，不同的文字發音所調動肌肉的方式也並不相同。透過對臉部EMG（肌電）訊號的採集，來學習人類說話時臉部EMG訊號特徵，並透過神經網路的訓練將EMG訊號和文字對應起來。

可以看出這兩種無聲語音辨識都有一個共同的特點，那就是自主性和私密性。不管是EMG訊號採集還是氣流採集，都需要在講話者身上佩戴好設備，而不是像圖像技術一樣，能夠在遠端且講話者不知情的情況下進行採集分析。

無聲語音辨識變成真‧氣功？

不論是氣宗還是電宗，這些無聲語音辨識技術都面臨著同樣的問題——既然要使用者把話說出來才能進行辨識，那為什麼不直接應用語音辨識來進行文字轉換和翻譯，非要弄一些和「氣功」一樣沒有切實應用場景的花招？

其實無聲語音辨識的應用，可能不像大家想像的那樣廣泛，它既不能以最高效的方式幫助聽障人士，也不允許被應用於監聽等等工作。但在一些關鍵場合下，無聲語音辨識卻可以發揮出奇用。

我們可以一起開動腦筋，想想在哪裡人們需要說話，但卻聽不到彼此的聲音。答案很簡單，要麼是在聲音無法傳播的地方，要麼是在一些特別嘈雜的地方。於是無聲語音辨識就有了如下的應用場景：

災害現場、艙外探索、水下作業……

在這類場所中，人們或許為了躲避被汙染的空氣、或許為了呼吸氧氣，都會穿上類似生化服、太空服等等特殊服裝。穿上之後既看不到對方的表情，也聽不到對方的聲音，更沒辦法用語音互動去控制其他設備了。同時環境情況（例如氧氣不夠充足）往往不允許人們以正常的聲音說話，加上防護服的封閉狀況會引起聲音的迴響，以往的有聲語音辨識在這種情況下很難發揮作用。