在人工智能概念火熱的當(dāng)下，人機(jī)交互的發(fā)展方向也正趨于多元化，從最初的鍵盤打字到觸控屏，再到現(xiàn)在的語音交互和手勢交互，無一不是前沿技術(shù)落地的結(jié)果。

12月14日消息，搜狗今天正式推出全新的人機(jī)交互新技術(shù)——唇語識別，這也是業(yè)內(nèi)首個(gè)公開演示的唇語識別系統(tǒng)，通過機(jī)器視覺識別，不用聽聲音，僅靠識別說話人唇部動(dòng)作，就能解讀說話者所說的內(nèi)容。

與已有的語音識別產(chǎn)品不同，唇語識別是一項(xiàng)基于機(jī)器視覺與自然語言處理于一體的技術(shù)，因此在研發(fā)難度上比語音識別大得多。

搜狗語音交互中心技術(shù)總監(jiān)陳偉告訴記者，搜狗的唇語識別技術(shù)首創(chuàng)了復(fù)雜端到端深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行中文唇語序列建模，通過數(shù)千小時(shí)的真實(shí)唇語數(shù)據(jù)訓(xùn)練，加上搜狗在自然語言處理方面的強(qiáng)大優(yōu)勢，最終取得了業(yè)界領(lǐng)先的唇語識別效果。

按照搜狗方面提供的數(shù)據(jù)顯示，在非特定人開放口語測試集上，搜狗唇語識別系統(tǒng)已經(jīng)達(dá)到60%以上的準(zhǔn)確率，超過google發(fā)布的英文唇語系統(tǒng)50%以上的準(zhǔn)確率，在垂直場景如車載、智能家居等場景下甚至已經(jīng)達(dá)到90%的準(zhǔn)確率。

在這里要著重說明的是，中文唇語識別的難度要高于英文唇語識別。

陳偉解釋到，中文有四個(gè)聲調(diào)，英文的基本發(fā)音單元在50個(gè)左右，而如果中文的聲韻母切開來看，建模數(shù)量會(huì)超過200個(gè)。

在剛結(jié)束不久的烏鎮(zhèn)世界互聯(lián)網(wǎng)大會(huì)上，搜狗唇語識別技術(shù)亮相，在業(yè)內(nèi)大多數(shù)唇語識別技術(shù)實(shí)用性尚待考證的環(huán)境下，成功完成了業(yè)內(nèi)首個(gè)中文唇語識別系統(tǒng)的公開演示。

國內(nèi)大部分企業(yè)都扎堆聚集在智能語音、圖像識別等領(lǐng)域，陳偉表示，搜狗開發(fā)唇語識別技術(shù)是希望解決嘈雜環(huán)境下的語音識別準(zhǔn)確度問題。

目前有兩種方式可以解決這個(gè)問題：一是硬件層面的語音增強(qiáng)，對噪音進(jìn)行屏蔽；二是增加多模態(tài)信息，比如唇語識別的圖像信息。

作為人機(jī)交互的形式之一，未來唇語識別技術(shù)可以輔助語音交互及圖像識別，在日常生活、安防、公益等各個(gè)領(lǐng)域?qū)崿F(xiàn)廣泛應(yīng)用。

比如在車載場景下，周圍噪音過大時(shí)會(huì)對語音指令產(chǎn)生干擾，通過唇語識別技術(shù)則可以規(guī)避干擾，保證人車交互的準(zhǔn)確性和穩(wěn)定性，日常不便發(fā)聲的公共場所也可以保證說話內(nèi)容的私密性；在安防領(lǐng)域，由于目前多數(shù)監(jiān)控只有攝像頭沒有麥克風(fēng)，往往只能看清嘴型卻不知道在說什么，給案情分析帶來很多難題，而唇語識別技術(shù)可以幫助公安人員獲取重要的講話信息，為公共安全提供有效支持。

除此之外，唇語識別技術(shù)還能發(fā)揮巨大的公益價(jià)值，幫助先天性聽障人群或老年人，讓他們更好地理解和表達(dá)自己。

搜狗近年來一直在集中資源做自然語言的研究，目前在語音識別、語義理解、機(jī)器翻譯等方面均取得了比較領(lǐng)先的成果并實(shí)現(xiàn)產(chǎn)品落地，此次推出唇語識別技術(shù)，將推動(dòng)整個(gè)AI行業(yè)的技術(shù)革新。