小时（shí）候看特务电影（yǐng）时，特工们往（wǎng）往有（yǒu）一（yī）项必备的技（jì）能，就是隔（gé）着几（jǐ）百米远（yuǎn）盯着正在说话的对象，从嘴型判（pàn）断出（chū）对方在说（shuō）什么。有了这（zhè）种记（jì）忆（yì），导致如今看什（shí）么语音识别技术（shù）都觉得相当一般——我（wǒ）都说（shuō）出声儿了你（nǐ）才听（tīng）懂，算什么AI好汉。

不（bú）过最近一项专利申请表明，微软正在向特工学习，推出了无声语音识别技（jì）术。当AI也能像（xiàng）特工一样，无声之（zhī）中辩人言，我们的世界（jiè）究竟（jìng）会有什么不同？

除去（qù）唇语识别，AI还有（yǒu）什么方式悄悄听懂你的话？

说起无（wú）声语音识别，可能很多人（rén）第一反应就是复制人类（lèi）的方式（shì），利用图像（xiàng）识别进行辩读唇语。而（ér）利用（yòng）唇（chún）语（yǔ）进行语音识别这种方式也由来已久，但是识别的准确率一直不算高（gāo）。DeepMind曾在2016年做过测试，经过1万小时的新闻视频训练，AI唇语准确（què）率达到了46.8%。国（guó）内（nèi）有（yǒu）一家企业曾（céng）经提供过相关（guān）数据：在对中文新（xīn）闻视频（pín）的识别中，准确率达到了70%。而搜狗所推出（chū）的驾驶场景下的唇语识别（bié），因为涉及（jí）到的词汇（huì）量很少，准确率能够（gòu）达到90%。

可以发现（xiàn），相（xiàng）比现在（zài）主流语音识别（bié）动辄95%、97%的准确（què）率，唇（chún）语识别准确程度实在是有些拿（ná）不上台面。对于中（zhōng）文这种一字一音节的（de）语言来说还好，对于英文这（zhè）种连音很多（duō）的语言来说，唇语识（shí）别（bié）要跨越的门槛确实不（bú）小。

另一方面来看，唇语识别所涉（shè）及到伦（lún）理（lǐ）问题实在过于严重。唇语识别（bié）的“射程（chéng）”太远，如果这种技（jì）术真的发展成熟，意味着天网之下的我（wǒ）们在（zài）交谈时将再无隐私。在隐私焦虑越来越浓的今天，哪家企业公开（kāi）研究（jiū）这项技术，只（zhī）怕是觉得（dé）自己家（jiā）的公关部（bù）门过（guò）得太清闲。

因（yīn）此包括（kuò）微软在内的产业和学界，都（dōu）在寻找一种更精准也更隐私的（de）无（wú）声语（yǔ）言识别（bié）。目前看来，无声语音识别（bié）的技（jì）术方向可（kě）以被（bèi）分为两（liǎng）个（gè）“派系”，一是（shì）“气宗”，另一个是“电宗”。

微软（ruǎn）所提（tí）交的（de）专利，就是典型的（de）“气宗”——在终端（duān）上（shàng）添（tiān）加传感器（qì），通（tōng）过感知用户说话时的气流来（lái）判断（duàn）用户（hù）说话的内容。这种终端（duān）如同一只小型麦（mài）克风，置于（yú）用户嘴边，用户在说话时形成的（de）气流会在设备中（zhōng）形（xíng）成反（fǎn）射，经（jīng）过训（xùn）练，可以将这（zhè）些气流反射的信号和文（wén）字一（yī）一（yī）对应。

而“电（diàn）宗”则更（gèng）加（jiā）神（shén）奇，我们知（zhī）道人在说话时需要调动整（zhěng）个（gè）下半（bàn）张脸的肌肉，不同的文字发音所调动（dòng）肌肉的方式也并不相同。通过对面（miàn）部EMG（肌电）信号的采（cǎi）集，来（lái）学习人（rén）类说话时面部EMG信（xìn）号特征，并通过（guò）神经网络（luò）的训（xùn）练将EMG信号（hào）和文字对应起来。

可以看出（chū）这（zhè）两种无（wú）声语音识别都有一个共同（tóng）的特点，那就是自主性和私密性（xìng）。不（bú）管（guǎn）是EMG信号（hào）采集还是气流采集，都需（xū）要在讲话者身（shēn）上佩戴好设（shè）备，而不是（shì）像图像技术一（yī）样（yàng），能够在远程（chéng）且讲话者（zhě）不知（zhī）情的情况下进行采集分析。

无声语音识别变成真·气功？

不论是气宗（zōng）还（hái）是电宗，这些无声（shēng）语音识别技术都面临着同样的（de）问题——既然要用户把话说出来才能进（jìn）行识别，那为什么（me）不直（zhí）接应用（yòng）语音识别来（lái）进行文字（zì）转换（huàn）和翻译（yì），非要（yào）弄一些和“气功”一样没有切（qiē）实应用场（chǎng）景的花招？

其实无（wú）声语音识别的应用，可能不像（xiàng）大家想（xiǎng）象的（de）那样广泛，它既不能以最高效的方式帮助听（tīng）障人士，也（yě）不允（yǔn）许被应用于（yú）监听等（děng）等（děng）工作。但在一些关键场合下，无声语音识别却可以（yǐ）发挥出（chū）奇用。

我们（men）可（kě）以（yǐ）一起开动脑筋，想想在哪里（lǐ）人们（men）需要说话，但却（què）听（tīng）不到彼此（cǐ）的声音。答案很（hěn）简单（dān），要么（me）是在声音无法传播的地方，要么是在一（yī）些特别（bié）嘈（cáo）杂的（de）地方。于（yú）是无声语音识别（bié）就有了如下的（de）应用（yòng）场景：灾害现场、舱（cāng）外探索、水下作业……

在这类场所中（zhōng），人们或许为（wéi）了（le）躲避被污染的空气、或许为了呼吸氧（yǎng）气，都会（huì）穿（chuān）上类（lèi）似（sì）生（shēng）化（huà）服、宇（yǔ）航员服等等特（tè）殊服装。穿上之（zhī）后既看不到（dào）对方的表情，也听（tīng）不到对（duì）方的声音，更没办法用语（yǔ）音交（jiāo）互去控制其他设备了。同（tóng）时环境情况（例如氧气不够充（chōng）足）往往不允许人们以正常的（de）声音说话，加上防（fáng）护服的封闭状况（kuàng）会引起声音的回响，以往的（de）有声语（yǔ）音识别在这种情况下很难发挥作用。

这时可以（yǐ）被安（ān）置在防护服内（nèi）部的无声语音识别就显得（dé）很有价值，讲话（huà）者只（zhī）需要做出口型就能向外（wài）界传递信（xìn）息。

除此（cǐ）之外还有嘈杂的马路、工厂车（chē）间（jiān）、机场（chǎng）……

在这些场所中，想要让（ràng）对（duì）方听清自己的声音，往往需要扯着（zhe）嗓（sǎng）子吼。想让语音（yīn）识别（bié）准确拾（shí）音（yīn），更是难上加难。这时利用无声语音识别（bié）就会轻松很多，不仅可以准确表达信息，也（yě）能让（ràng）一（yī）些处于这种（zhǒng）场合的工作人员戴上隔音耳（ěr）塞保（bǎo）护自己的听（tīng）力。

实际（jì）上目前在欧洲一（yī）些型号的（de）战斗（dòu）机中，就因为机舱内噪音巨大、飞行（háng）员之间无法沟（gōu）通，已经应用上了EMG信号无声语音识别技术。

当然，目（mù）前相（xiàng）比（bǐ）语音（yīn）识别技术（shù）、甚（shèn）至（zhì）相比（bǐ）唇（chún）语语音识别，无声语音识别技术的（de）发展阶段还很初级，应用效率也不高。

实（shí）际上无声（shēng）语音识别是一项典（diǎn）型的（de）“美好而无用”的AI技术，它既完美体现了一系（xì）列技术的排列（liè）组合（hé），例如（rú）EMG信号无（wú）声（shēng）语（yǔ）音（yīn）识别所体现出的（de）AI与神（shén）经（jīng）学（xué）的结合（hé）；又在应用上极（jí）大程度（dù）的受（shòu）限，即使在一些声（shēng）音（yīn）难（nán）以传（chuán）播的场景（jǐng）下，也要考虑计算条件、识别语音后信息再传递的媒介，更不用提复杂（zá）的数据（jù）收集工作（zuò）了。

但我们有（yǒu）理由相信，在未来AI技术越来越普及化、应用成本越来（lái）越（yuè）低时（shí），总会出现（xiàn）一些（xiē）极端场景应用（yòng）上这些（xiē）看似无用的技术——也许未来有一天，战斗机（jī）的控（kòng）制也要应用上（shàng）语音交互呢？