牛津大學的科學家與 Google DeepMind 人工智慧部門合作，藉助 BBC 提供的新聞報導片段，成功讓人工智慧系統學會「讀唇」，就是在沒有任何聲音的情況下，通過嘴唇的形狀及動作識別出背後的話語。雖然準確率只有 50%，但考慮到專業的人類唇讀者12%的準確率，人工智慧顯然又一次勝過了人類。
（圖：Doctoroz）
為了協助開發這套系統，BBC 提供了大量新聞片段和對應的字幕。然後，研究者在一個人工神經網路（Artificial neural network）中整合了最先進的圖像和語音識別技術，利用新聞片段，讓系統開始學習讀唇。
語境分析
科學家稱這個人工智慧系統為「觀察－專注－拼讀」（Watch, Attend and Spell）。步驟看起來似乎很簡單，然而讓人工智慧學會唇讀並非易事。牛津大學工程系博士研究生 Joon Son Chung 解釋，英文中有些發音，如 mat，bat，pat，唇形極其相似。這種情況下，無論是專業的唇讀者，還是人工智慧，借助的都是上下文語境。
實際上，人工智慧所學習的，是分析同時出現的訊息，即唇形、詞語以及後文緊接著出現的詞語。由於系統學習的是新聞語言，現在已可以輕鬆地識別出「Prime」後面總是接「Minister」（首相），「European」後面接「Union」（歐盟）。但對於新聞主播不常使用的辭彙，系統識別起來仍然有一定的難度。
人工智慧透過觀察新聞片段學習讀唇（圖：BBC）
優勢明顯，但仍需較大改進
如前所述，雖然系統目前準確率高於人類，但仍然有缺點，其中之一便是準確率。科學家表示，增加系統的準確率將會是他們未來最主要的研究目標。
此外，系統目前只能對錄製好的完整句子進行唇讀，無法即時運行。Joon Son Chung 表示，他們希望讓系統學會即時唇讀，不過，這個挑戰的難度其實比提高系統準確率較低。
幫助失聰人士
雖然離實際應用還需進一步的改進，但失聰人士援助團體 Action on Hearing Loss 已表現出極大的關注。技術研究經理Jesal Vishnuram稱，人工智慧唇讀技術可以提高語音到文本的轉化速度和準確率，幫助聽障人士觀看電視，或者在嘈雜環境中聽清聲音。
牛津大學和慈善組織一致認為，人工智慧唇讀技術不會取代人類唇讀者。但在很多情況下，它將會成為輔助工具，提高人類唇讀者或語音識別技術的效率和準確性。
（本文經明日科學同意授權轉載「牛津科學家讓人工智慧看電視學習讀唇，準確度比人類更高」）
