小（xiǎo）时候（hòu）看（kàn）特（tè）务电影时，特工们往往有一项必（bì）备的技能，就是隔着几百（bǎi）米远盯着正在说话的对象，从嘴（zuǐ）型（xíng）判（pàn）断出对方在说什么（me）。有（yǒu）了这种记忆，导致如今看什么语音（yīn）识（shí）别（bié）技（jì）术都觉得（dé）相当一般——我都说出声（shēng）儿了你才听懂，算什么AI好汉。

不过最近一（yī）项专利（lì）申请表（biǎo）明，微（wēi）软正在向（xiàng）特工学（xué）习，推出了（le）无声语音识别技术。当AI也能像（xiàng）特工一样，无声之中辩（biàn）人言，我们的世界究（jiū）竟（jìng）会有什么不同？

除去唇语识（shí）别，AI还有什么方式悄悄听懂（dǒng）你的话（huà）？

说起无（wú）声语（yǔ）音（yīn）识别，可能很多人第一反应（yīng）就是复制人类的方（fāng）式，利（lì）用图像识别（bié）进行（háng）辩读唇语。而利用（yòng）唇语进（jìn）行语（yǔ）音识别这种方式也由来已久，但是识别的准确率一直（zhí）不（bú）算高。DeepMind曾在2016年做过测试，经过1万小时的新闻视频训练，AI唇语准确率（lǜ）达到了46.8%。国内有一家企业曾经提供过相关（guān）数据：在对中（zhōng）文（wén）新（xīn）闻视频的识别中，准确率达（dá）到了70%。而搜狗所（suǒ）推出的驾驶场（chǎng）景（jǐng）下（xià）的唇（chún）语识别，因（yīn）为涉及到的词汇量很少，准确率能够达到90%。

可（kě）以（yǐ）发现，相比（bǐ）现在主流语（yǔ）音识别动辄95%、97%的准（zhǔn）确率，唇语识别准确程度（dù）实在是有些拿不上台面。对于中文这种一（yī）字一（yī）音节的语（yǔ）言（yán）来说还好，对于英文这种（zhǒng）连音（yīn）很（hěn）多的（de）语言来说，唇（chún）语（yǔ）识别要跨（kuà）越的门（mén）槛确实不小。

另（lìng）一（yī）方面来（lái）看，唇（chún）语识（shí）别所涉及（jí）到（dào）伦理问题（tí）实在过于严重。唇语识别的“射程”太远（yuǎn），如果这种技术真的（de）发展成熟（shú），意味着天网之下的我们在（zài）交谈时将再无（wú）隐私（sī）。在隐私焦虑越来（lái）越浓的今天，哪家（jiā）企业公（gōng）开研究这（zhè）项技术，只怕是觉得自己家的公关部门过得太清闲。

因（yīn）此包括微软在内的产业和学界，都在寻找一种更（gèng）精准也更隐私的无声语言识别。目（mù）前看来，无声语音（yīn）识别的技术方向可以被分为两个“派系”，一是（shì）“气宗”，另一个是“电（diàn）宗”。

微软所提交的专利，就是典型的“气宗”——在终（zhōng）端上添加传感器，通过感知用户说话时的气流来（lái）判断用户说话（huà）的内容。这（zhè）种终端如（rú）同一只（zhī）小型麦克风，置于用户嘴（zuǐ）边，用户在说话时形成的气流会在（zài）设（shè）备中形成反射，经（jīng）过训练，可以将（jiāng）这些气流反射的信号（hào）和（hé）文（wén）字一一对应。

而（ér）“电宗”则更（gèng）加神奇，我们知道人在说话时需（xū）要调动整个下半张（zhāng）脸的肌肉，不同的文字发音（yīn）所调动肌肉的（de）方式也并不相同。通过对面部（bù）EMG（肌（jī）电）信号的采集，来学（xué）习人类说话时面（miàn）部EMG信号特征（zhēng），并通过神（shén）经（jīng）网络的（de）训练将EMG信号和文（wén）字对（duì）应起来。

可以看出（chū）这两种无（wú）声语音（yīn）识别都有一个（gè）共同的特点，那（nà）就是自主性和（hé）私密性。不（bú）管是EMG信号采集（jí）还（hái）是气流采集，都需（xū）要（yào）在（zài）讲（jiǎng）话（huà）者身上佩戴好设（shè）备（bèi），而不是像图像技术一样，能够（gòu）在远程（chéng）且讲话者不知情的情况下进行采（cǎi）集分析。

无声（shēng）语音识（shí）别变成真·气功（gōng）？

不论是气宗还（hái）是电（diàn）宗（zōng），这些（xiē）无声语（yǔ）音识（shí）别技术都（dōu）面临着同样的问题（tí）——既（jì）然要用（yòng）户把话（huà）说出来才（cái）能进行（háng）识别，那为什么不直接应用语音（yīn）识别来（lái）进行（háng）文字转（zhuǎn）换和翻译，非要弄一些（xiē）和“气功”一样没有切实应用场景的花招？

其（qí）实无声语音识别的应用，可（kě）能不（bú）像大家想象的那样广泛，它既不（bú）能以最（zuì）高效的方式帮助听障人士，也不允许被应用于监听等等工作（zuò）。但在（zài）一些关（guān）键场合下，无声语音识别却可（kě）以发挥出奇用。

我们可以一起开动脑筋（jīn），想想在哪里人们需要说（shuō）话，但却听不到彼此的声音。答案很（hěn）简单，要（yào）么是在（zài）声音无法传（chuán）播的地方，要么是在一些特别嘈（cáo）杂的（de）地（dì）方。于是无声语音识别就有了如下（xià）的应（yīng）用场景：灾害现场、舱外探（tàn）索（suǒ）、水下作业（yè）……

在这（zhè）类（lèi）场所中，人们或（huò）许为了躲避被污染的（de）空气、或（huò）许为了呼吸氧（yǎng）气，都会（huì）穿（chuān）上类似生化服、宇航员服等等特殊服装。穿上之后既看不到对（duì）方的表（biǎo）情，也听（tīng）不（bú）到对方的（de）声音，更没办法用（yòng）语音交互去控制其他设（shè）备了（le）。同时环境情况（kuàng）（例如氧（yǎng）气不够充足）往往（wǎng）不允许人们以正常的声音（yīn）说话，加上防护服（fú）的（de）封闭状况会引起声（shēng）音的回（huí）响，以往的（de）有声语音识（shí）别在这种情况下很难发挥（huī）作用。

这时（shí）可以被安（ān）置在防护服内部的无（wú）声语音识别（bié）就（jiù）显得（dé）很有价值，讲话者只需要做（zuò）出口型就（jiù）能向外界传递信息。

除（chú）此之（zhī）外还（hái）有（yǒu）嘈杂的马路、工厂车间、机场（chǎng）……

在这些（xiē）场所中，想要让（ràng）对方听清自己的声音（yīn），往往需（xū）要扯（chě）着嗓子吼（hǒu）。想（xiǎng）让语（yǔ）音识别（bié）准确（què）拾音，更（gèng）是难上加难。这（zhè）时利用无声语音识别就会轻松很多（duō），不仅可以准（zhǔn）确表达（dá）信息，也能让一些处（chù）于这种场合的工作人员戴上隔（gé）音耳塞保（bǎo）护自（zì）己的（de）听力。

实际上目前在欧洲（zhōu）一（yī）些型号的战斗机中，就因为机舱内（nèi）噪音（yīn）巨大、飞行（háng）员（yuán）之间无法（fǎ）沟通，已经应（yīng）用上（shàng）了EMG信号无声语音识别技术。

当然，目前（qián）相（xiàng）比语音识别技术、甚至相比唇（chún）语语音识别，无声语音识别技术（shù）的发（fā）展阶段还很初级，应用效率也不高。

实际上无声语音识别是一项典型（xíng）的“美好而无用”的（de）AI技术，它（tā）既完美体现了一系列技术（shù）的排列组合，例如EMG信（xìn）号无（wú）声语音识别所（suǒ）体现出的（de）AI与神经（jīng）学的结合；又在应用上极（jí）大程度的受限，即使在一些声音（yīn）难以传播的场景下，也要考虑（lǜ）计（jì）算条件（jiàn）、识别语音后（hòu）信息再传递的媒介（jiè），更（gèng）不用提复杂的数据收集工作了。

但我（wǒ）们有理由相信，在未来AI技术（shù）越来越普（pǔ）及化、应用（yòng）成本越来越低时（shí），总会出现一（yī）些极端场景应用上（shàng）这些看似无用的技术——也许未来（lái）有一天，战斗机的控（kòng）制也要（yào）应用上语（yǔ）音交互呢？