唇读是一件棘手的事情。测试结果各不相同，但平均而言，大多数人在看别人的嘴唇时，只会认出十分之一的单词，自称专家的准确率往往各不相同——当然没有唇读高手。不过，现在一些研究人员声称，像深度学习这样的人工智能技术可以帮助解决这个问题。毕竟，专注于处理大量数据以找到共同模式的人工智能方法有助于将音频语音识别的准确度提高到接近人类的水平，那么为什么不能对唇读进行同样的处理呢？

比人类精确得多，但使用的数据非常有限

牛津大学人工智能实验室的研究人员在这一领域做出了很有前途的贡献，他们利用深度学习创建了一个新的唇读程序。他们的软件名为LipNet，能够在很大程度上超过有经验的唇部阅读器，在某些测试中达到93.4%的准确率，而人类唇部阅读器的准确率为52.3%。即使在目前的早期阶段，该软件也非常快速——几乎实时地将无声视频处理成文字记录。

然而，在我们沉迷于2001年的“人工智能监控州”和“哈尔阅读嘴唇：太空奥德赛”的噩梦之前，牛津大学的这项研究有一些严重的局限性。首先，该系统在一个名为GRID的研究数据集上进行了训练和测试。这是一个收集了34名志愿者阅读无意义句子的上万个短视频，以及字幕。每个片段只有3秒钟长，每个句子都遵循以下模式：命令、颜色、介词、字母、数字、副词。例如，句子包括“请把蓝色调成4”和“再把红色调成C 0”，甚至这些模式中的单词也是有限的，只使用了四种不同的命令和颜色。这使得该领域的一些研究人员认为，该论文的研究结果被夸大了，特别是在一条与研究人员视频（见下文）相关的病毒性推特发出耸人听闻的声称，这项工作意味着“不再有秘密”之后

情况肯定不是这样。这篇论文的两位研究人员Yannis Assael和Brendan Shillingford在接受《边缘》采访时欣然承认，他们的研究对象是“受限的词汇和语法”，但表示这是由于现有数据的局限性。”数据集很小，但这很好地表明，我们可以在更大的数据集上表现得同样出色，”Assael说。

真的，这对监视毫无帮助

阿萨尔和希林福德也都很想强调，他们的工作在监控领域没有应用，仅仅是因为唇读需要你看到被摄者的舌头——这意味着视频必须笔直，光线充足，才能获得好的效果。”这在技术上是不可能的，或者至少是非常非常困难的，”使用任何唇读软件进行监视，Assael说，并补充说，帧速率也是一个因素；以及一些通常被*****忽视的事情。他说：“如果你有一个非常好的摄像头拍摄的正面视频，那么你可能也有一个定向麦克风（指向他们）！”(关于监控问题，阿塞尔指出，尽管该报的一位主管也与谷歌的人工智能部门DeepMind合作，但谷歌本身并未参与LipNet的开发。）

相反，这两位研究人员认为，唇读人工智能可以帮助听力障碍的人，特别是在嘈杂的环境中，计算机很难隔离语音。例如，有人戴着内置在眼镜里的摄像头，可以清楚地看到他们在聚会上与之交谈的人的正面画面，LipNet的一位祖先可以实时转录对话，并将其输入耳朵。”任何有语音识别和摄像头的地方，我们都可以改进这一点。他还提到Siri或googleassistant的无声听写是一个可能的用例。那么，在未来，也许我们这些不喜欢跟电脑说话的人，不能让他们读我们的嘴唇。