語音辨認技能已成為高新科技圈的亮點，無論是百度的度秘，照舊搜索方才開辟的要庖代筆譯人員的機器人，語音辨認技能真的是愈來愈強盛了。 Jamie Condliff 正在本文引見了新的研討，證實人工智能不只能夠經過語音辨認人們說話內容，即便聽不到聲音，人工智能已能夠順遂地讀取唇語了，乃至比人工還要有用許多。

　　家喻戶曉，唇讀是異常難題的，很大程度上取決于言語的語境和對其的理解，而這一些皆只經過視覺來顯現的?？墒茄芯空邆冋蛭覀儽戆?，機械進修可以比專業唇閱讀者更有效地來辨認那些無聲視頻的臺詞。

　　正在一個項目中，來源于牛津大學計算機科學系的一個團隊開發了一個名為LipNet的全新人工智能體系，據Quartz消息網站報導，這個體系建立正在GRID的數據集基礎上，而GRID是由人們朗誦三秒鐘句子的清楚的臉部視頻合輯組成。每一個句子皆遵守不異形式的字符串。

　　這個團隊用這一數據集往練習神經網絡，取施行語音辨認的性質雷同。在這里一過程中，只管神經網絡伴隨著時間推移可以辨認出口型變革，還能學會把這一信息取所說內容的表明聯系起來。然則人工智能體系并不會斷斷續續地闡明接連鏡頭，反而是斟酌團體內容，使得它可以由闡明的句子中了解此中的語境。這一點非常重要，由于人們的口型常常比人們收回的聲音要少良多。

　　測試的時分，這一人工智能體系可以正確地識別出93.4%的話語，很多人工唇讀志愿者還做了一樣的測試，可是正確度只有52.3%。

　　據New Scientist報導，別的一個來源于牛津大學工程科學系并一向取谷歌的DeepMind這一人工智能體系互助的團隊完成了一項越發堅苦的的義務。他們所運用的并非像GRID那樣整潔同等的數據集，反而是一系列由英國廣播公司電視臺截取的100,000個小視頻。這一些小視頻包括很多語種，而且其中有不一樣的光芒結果和說話人頭部位置的挪動。

　　牛津大學和DeepMind的團隊用了類似的辦法，成功地開收回一個辨認率到達46.8%的人工智能體系。這遠遠超過了人工識其他準確度，人工辨認要做到毫無不對的準確度只有12.4%。固然，準確度之所以這么低是有許多緣由的，包羅由光芒和標的目的轉換到更深條理的言語龐雜水平。

　　撇開差別而言，這兩次試驗標明，人工智能體系正在唇讀層面遠遠賽過人工辨認，我們不難想象，這類軟件的運用潛力是宏大的。正在未來，網絡電話Skype能夠補償許多不敷，好比當呼叫者處于較吵的環境時，又或者說能夠讓那些聽力有阻礙的人還能拿起手機往“聽”他人正在說什么。