谷歌开发AI“读唇”软件 准确率比人类高3倍

谷歌人工智能部门DeepMind正与牛津大学研究人员合作，希望开发出全球最先进的“读唇”软件，可能比人类的“读唇”能力还要出色。

为实现这一目标，研究人员选取了数千个小时的BBC电视短片，上传到一个神经网络上，对其“读唇”软件进行训练，即根据主播嘴部运动来识别其播报内容。

结果，这款“读唇”软件的唇读准确率高达46.8%。相比之下，基于同样的测试内容，人类唇读的准确率只有12.4%。

这项研究基于牛津大学之前的一款人工智能“读唇”系统“LipNet”。LipNet能将视频中人物的嘴部运动与其台词进行匹配，准确率高达93.4%。当然，该准确率主要基于一些相对简单的句子。

DeepMind这款“读唇”软件名为“看、听、分析与拼写”(Watch,Listen,Attend,andSpell)，与LipNet不同的是，DeepMind的软件致力于更难的长句。

为此，谷歌神经网络观看了来自BBC的约5000个小时的流行电视节目，包括《晚间新闻》和《提问时间》和《今日世界》等，共包含了11万个不同的句子，1.75万个不同的单词。相比之下，测试LipNet的句子只包含了51个不同的单词。