阿里又出黑科技。新的唇語閱讀 AI 系統(tǒng)在識別準確率表現上不僅超越基線標準，也優(yōu)于專家級人類水平，有望為全球近 5 億聽障人士帶來福音。

阿里巴巴又出黑科技，AI 看唇語知內容！

實際上，能夠從視頻中讀取嘴唇的 AI 和機器學習算法并沒有什么不同。早在 2016 年，來自 Google 和牛津大學的研究人員就詳細介紹了一種系統(tǒng)，該系統(tǒng)可以 46.8％ 的準確度注釋視頻錄像，這個表現明顯優(yōu)于專業(yè)唇語識別人士 12.4％ 準確度。但是，即使是最先進的系統(tǒng)，也難以克服唇語識別時的歧義問題，這使唇語 AI 的性能一直難以超越音頻語音識別。

為了追求更好的性能，浙江阿里巴巴公司和史蒂文斯理工學院的研究人員聯(lián)合設計了一種方法，稱為 LIBS，該方法利用從語音識別器中提取的特征作為唇語識別時的補充信息。研究人員表示，LIBS 系統(tǒng)在兩個基準測試中都達到了業(yè)界領先的準確度，在識別字符錯誤率方面，LIBS 分別較基線性能高出 7.66％ 和 2.75％。

LIBS 和其他類似的解決方案一樣，都可以幫助聽障人士觀看缺少字幕的視頻。據估計，全世界有 4.66 億人患有失能性聽力障礙，約占世界人口的5％。根據世界衛(wèi)生組織的數據，到 2050 年，這一數字可能會超過 9 億。

LIBS 會從說話人的視頻中以多種不同尺度提取有用的音頻信息，包括序列級、上下文級和幀級。然后，系統(tǒng)會識別這些信息之間的對應關系，將數據與視頻數據進行對齊（由于開頭或結尾有時會出現采樣率不一致、視頻和音頻序列的長度不一致等情況），并利用過濾技術來優(yōu)化蒸餾功能。

LIBS 系統(tǒng)架構示意圖

LIBS 的語音識別器和口語閱讀器組件均基于注意力的 seq2seq 體系結構，這是一種機器翻譯方法，可將序列的輸入（即音頻或視頻）映射到帶有標簽的輸出和注意力值上。研究人員對上述內容在 LRS2 和 CMLR 數據集上進行了訓練，LRS2 包含來自 BBC 的 45000 多個口語句子，CMLR 則是最大的中文普通話口語語料庫，包括了來自中國網絡電視臺網站的 10 萬余個自然句（包括 3000 多個漢字和 20000 多個短語）。

不過，研究團隊也表示，由于某些句子長度太短，該模型難以在 LRS2 數據集上實現“合理的”結果。（解碼器從少于 14 個字符的句子中提取相關信息時會遇到困難。）但是，一旦對最大長度為 16 個單詞的句子進行了預訓練，解碼器將可以通過對上下文級別的知識進行設置，提高 LRS2 數據中句子結尾部分的質量。

研究人員在描述其工作的論文中寫道：“ LIBS 減少了對無關框架的關注。” “幀級知識提煉進一步提高了視頻幀特征的可分辨性，使注意力更加集中。”