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

(圖:Doctoroz)

牛津大學的科學家與 Google DeepMind 人工智慧部門合作,藉助 BBC 提供的新聞報道片段,成功讓人工智慧系統學會「讀唇」,即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。

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,但仍然擁有其缺點,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,無法實時運行。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。

舒超
明日科學編輯,科大生命科學學院研究生,目前努力畢業中。做實驗之餘,喜歡讀書寫字,學習語言。鐘情中國古典文學。希望有朝一日走遍天下,增廣見聞。

為你推薦