小（xiǎo）时候看（kàn）特务电影时，特工们往往有（yǒu）一项必备的（de）技能，就是隔着几百米远盯着（zhe）正在说话的对（duì）象，从嘴（zuǐ）型（xíng）判断（duàn）出对方（fāng）在说什么。有（yǒu）了（le）这种记忆，导致如今看什么语音（yīn）识别技（jì）术都觉得相（xiàng）当一般——我都说出声儿了你（nǐ）才听懂，算（suàn）什么AI好汉。

不（bú）过最近一项（xiàng）专利申请表（biǎo）明，微软正在向特工学习，推出了无声语（yǔ）音识别（bié）技术（shù）。当AI也能像特工一样，无声（shēng）之（zhī）中辩人言（yán），我们（men）的世界究竟会有什（shí）么不同？

除（chú）去（qù）唇语识别，AI还有什么方式悄（qiāo）悄听懂你的话？

说起无声语（yǔ）音识别，可能很多人第一反应就（jiù）是复制人类（lèi）的方式，利（lì）用图像（xiàng）识（shí）别进行辩读（dú）唇（chún）语。而利用唇（chún）语进行语（yǔ）音识别这种方式也由来已久，但是识别的准确率一直不算（suàn）高。DeepMind曾（céng）在2016年做过测试（shì），经（jīng）过1万小时（shí）的新（xīn）闻视频（pín）训练（liàn），AI唇语准确率达到了46.8%。国内有一家企（qǐ）业曾经提供过相关数据：在对中文新闻视频的识别中，准确率达到了70%。而搜狗（gǒu）所推出的驾驶场景（jǐng）下的唇（chún）语（yǔ）识（shí）别，因为涉及到的词汇量很少，准确率能够（gòu）达到90%。

可以发现（xiàn），相比现在主流语音识别动（dòng）辄95%、97%的准（zhǔn）确率，唇语识（shí）别准确程（chéng）度实在是有些（xiē）拿不上台（tái）面。对于中文这种一字一音节的语言来说还好，对于英（yīng）文这种连音很多的语言来说（shuō），唇语识别要跨越的门槛确实不（bú）小。

另一方面来看，唇语识（shí）别（bié）所涉及到伦理问（wèn）题实在过于严重。唇语识（shí）别的（de）“射程”太远，如果这种技术真的（de）发（fā）展成熟，意（yì）味着天（tiān）网之下的我（wǒ）们在交谈时将再无隐私（sī）。在隐私焦虑越来越浓的（de）今天，哪家企业（yè）公（gōng）开研究这项（xiàng）技术，只怕是（shì）觉（jiào）得自己家的公关（guān）部门过得太（tài）清闲（xián）。

因此（cǐ）包括微软（ruǎn）在内（nèi）的产业和学界，都在（zài）寻（xún）找一种（zhǒng）更精准也更（gèng）隐私的无声语（yǔ）言识别。目前看来，无声（shēng）语音识别的技术（shù）方（fāng）向可以被（bèi）分为两个“派系”，一是“气宗（zōng）”，另一个（gè）是“电宗”。

微软（ruǎn）所提（tí）交的专利（lì），就是典型（xíng）的“气宗（zōng）”——在终端上添加传感器，通（tōng）过感知（zhī）用（yòng）户说话（huà）时的（de）气流来判断用户说话的内（nèi）容。这（zhè）种（zhǒng）终端如同一只小型麦克风，置于用户（hù）嘴边，用户在说话时形成的气（qì）流会在设备中形成反射，经过训练，可以将这（zhè）些气流反射的信（xìn）号和文字（zì）一一对应（yīng）。

而“电宗”则更（gèng）加神奇，我（wǒ）们知（zhī）道人在（zài）说（shuō）话时需要调动整（zhěng）个下半（bàn）张脸的肌肉，不同的文字发（fā）音所调动肌肉的方（fāng）式也并不相同（tóng）。通过对面（miàn）部（bù）EMG（肌电）信号的采集，来学习（xí）人类说话（huà）时面部EMG信号特（tè）征，并通过神（shén）经（jīng）网络的（de）训练将EMG信号和文（wén）字对（duì）应起来。

可以看出这两种无声语音识别（bié）都有一个共同的（de）特点，那（nà）就（jiù）是（shì）自主性和私密性。不管是（shì）EMG信号采集（jí）还是气（qì）流采集，都需要在讲（jiǎng）话（huà）者身上佩（pèi）戴好设（shè）备，而不是（shì）像图像技术一（yī）样（yàng），能够（gòu）在远程且讲话者不知情的情况下进行采集分析。

无声语音识别变成（chéng）真·气功（gōng）？

不论是气宗还是电宗，这些无声语音识（shí）别（bié）技术都（dōu）面临着同样（yàng）的问题——既（jì）然要用（yòng）户把话（huà）说出来才能进行识别，那为什么不直接应用语音识别来进行（háng）文字转换（huàn）和（hé）翻译，非要弄一（yī）些（xiē）和“气功”一样（yàng）没有切（qiē）实应用场景的花招（zhāo）？

其实无声（shēng）语音（yīn）识别的应用，可（kě）能不像（xiàng）大家想象的那样广泛，它（tā）既不能以最（zuì）高效的方（fāng）式帮助听障人士（shì），也不允许被应用于监听等等工作。但在（zài）一些（xiē）关键（jiàn）场合下（xià），无声（shēng）语（yǔ）音识别却可（kě）以发挥出奇用（yòng）。

我们（men）可（kě）以一（yī）起开动脑筋，想想在（zài）哪里人（rén）们需要说话（huà），但却（què）听（tīng）不（bú）到（dào）彼此的声（shēng）音。答案很简单，要么是（shì）在声音无法传播的（de）地方，要么是（shì）在（zài）一些特别嘈杂的地（dì）方。于是无声语音识别就有了如下的（de）应用场（chǎng）景：灾（zāi）害现（xiàn）场、舱外（wài）探（tàn）索、水下作业……

在这类场所中，人们（men）或许为（wéi）了躲避被（bèi）污染的空气、或许为了（le）呼吸氧气，都（dōu）会穿上类似（sì）生化服、宇航（háng）员服等等（děng）特殊（shū）服装。穿上之（zhī）后既看不到对方的表情，也听不到对方的声音，更没办法用语音交互去控制其（qí）他（tā）设备了（le）。同时（shí）环境情况（例如氧气（qì）不够充足）往往不允（yǔn）许人们以正（zhèng）常的声音说话，加（jiā）上（shàng）防护（hù）服的封（fēng）闭状况会引起（qǐ）声（shēng）音的回响，以往的（de）有声语音识别在这种情况下（xià）很难发挥作用（yòng）。

这时可以被安（ān）置在防护服内部的无声语（yǔ）音（yīn）识别就显得很有价值，讲话（huà）者只（zhī）需要做出口型就能（néng）向外界传递信息。

除此（cǐ）之外还有嘈杂的马路、工厂车（chē）间、机场……

在（zài）这（zhè）些场所中（zhōng），想要让（ràng）对方（fāng）听清自己的声音，往（wǎng）往（wǎng）需要（yào）扯着（zhe）嗓子（zǐ）吼。想让语（yǔ）音识（shí）别准确拾（shí）音，更是难上加难。这（zhè）时利用无声语（yǔ）音识别（bié）就会轻松很多，不仅可以（yǐ）准确表达信息，也能让一（yī）些处于这（zhè）种场（chǎng）合的工作人员戴上（shàng）隔音耳塞（sāi）保护自（zì）己的听力。

实际上（shàng）目前在欧洲一些型（xíng）号的（de）战斗机中，就因为（wéi）机（jī）舱内噪（zào）音巨大（dà）、飞行员之间无法沟通，已经应用上（shàng）了EMG信号无（wú）声语音识别（bié）技术。

当然，目前相比语音识（shí）别技（jì）术、甚至相比唇语语音（yīn）识别，无声语音识（shí）别技术的发展阶段（duàn）还（hái）很（hěn）初级，应用效率也（yě）不高。

实际上无声语（yǔ）音识别是（shì）一项典型（xíng）的“美好而无用”的AI技术，它既完美体现了一系列技术的排（pái）列（liè）组（zǔ）合（hé），例如EMG信号无声语音（yīn）识别所体（tǐ）现出的AI与神（shén）经学的结合；又在应（yīng）用上极大（dà）程度的受限，即使（shǐ）在一些声音难以传播的（de）场（chǎng）景下，也要考虑计算条件、识别语音（yīn）后信（xìn）息再传递的媒介，更不用提复（fù）杂的数据收集（jí）工作了。

但我们有理由相信，在未来AI技（jì）术越（yuè）来越普（pǔ）及化、应用成本越来越低时（shí），总会（huì）出（chū）现一些极端场（chǎng）景应用上这些看似无用的（de）技术——也许未来（lái）有一（yī）天，战斗（dòu）机的控制（zhì）也要（yào）应用上语（yǔ）音交互呢？