小时候看特务（wù）电影时，特工们往往有一项必备的技（jì）能（néng），就是隔（gé）着几百米远盯着正在说话的对象，从嘴型判断（duàn）出对（duì）方在说什么。有（yǒu）了这种记忆，导致如今看什么语音识别技术都觉（jiào）得相当一般——我都说出声（shēng）儿了你才听懂（dǒng），算（suàn）什么（me）AI好汉。

不过最近一（yī）项专利申请表明，微（wēi）软正在向特工学习，推出了无声（shēng）语（yǔ）音识别技术。当AI也能像特工一样，无（wú）声之中辩人言，我（wǒ）们的世（shì）界究竟会有什么不同？

除去唇语识别，AI还（hái）有（yǒu）什么方式悄悄听懂（dǒng）你（nǐ）的话？

说起无（wú）声语音（yīn）识别，可能（néng）很多人（rén）第一反（fǎn）应就是复制人类（lèi）的方式，利用图像识别进行辩读唇语（yǔ）。而利用唇（chún）语进行语音识别这种（zhǒng）方式也由来已久，但是识别（bié）的准确率一直不算高。DeepMind曾在2016年做（zuò）过测试，经过1万小时的新（xīn）闻视频（pín）训（xùn）练，AI唇（chún）语准确率达到了46.8%。国内有一家（jiā）企业（yè）曾经提供（gòng）过相关数据（jù）：在对（duì）中文新闻视频（pín）的识别（bié）中，准确率（lǜ）达到（dào）了70%。而搜狗所推出的驾驶场（chǎng）景下的（de）唇语识别，因为涉及到的（de）词汇量很少，准确（què）率能（néng）够（gòu）达（dá）到90%。

可以发（fā）现，相比现在主流语音（yīn）识（shí）别动辄95%、97%的（de）准（zhǔn）确率，唇语识（shí）别准确程度实（shí）在是有（yǒu）些（xiē）拿不上台面。对于中文这种一字一音节的语（yǔ）言来说还好（hǎo），对于英（yīng）文这种连音（yīn）很多（duō）的语言来说（shuō），唇语识（shí）别（bié）要跨越的门槛确实不小（xiǎo）。

另一方（fāng）面来看，唇语（yǔ）识别所（suǒ）涉及（jí）到伦理问题（tí）实在过于严重。唇语识别（bié）的“射程”太远，如（rú）果这种技术真的发（fā）展（zhǎn）成熟，意味（wèi）着天网之下的（de）我们（men）在交谈时将再无（wú）隐（yǐn）私。在隐私焦虑越来越浓（nóng）的今天，哪（nǎ）家企业（yè）公开研究（jiū）这项技术，只怕是（shì）觉得自己家的公关部门（mén）过得（dé）太清闲。

因此包括微软在内的产业（yè）和学（xué）界，都在寻找一种更精准（zhǔn）也更隐私的无声语言识别。目前看来，无声语音识（shí）别的技术方向（xiàng）可以被分为两（liǎng）个“派系”，一是（shì）“气宗（zōng）”，另一个是（shì）“电宗”。

微软所（suǒ）提交（jiāo）的专利，就是（shì）典型的“气宗”——在终端上添加传感器，通过感知用户说话（huà）时的气流（liú）来判断用户说话的内容。这种终（zhōng）端如同一（yī）只小型麦克（kè）风（fēng），置于用户嘴边，用户（hù）在说话时形成的气（qì）流会在设（shè）备中形成反射，经过训练，可（kě）以将这些气流（liú）反射（shè）的信（xìn）号和文（wén）字一（yī）一（yī）对应。

而“电（diàn）宗（zōng）”则更加神奇，我们知道人在说话时需要调动（dòng）整（zhěng）个（gè）下半张脸的肌（jī）肉，不同的文字发音所调动肌肉（ròu）的方（fāng）式也并不（bú）相同（tóng）。通过对面部EMG（肌电）信号的采（cǎi）集，来学习人类说（shuō）话时面部EMG信号特征，并（bìng）通过神经（jīng）网络的训（xùn）练（liàn）将（jiāng）EMG信号和文字对（duì）应起（qǐ）来（lái）。

可以看出（chū）这两种无声语音（yīn）识别（bié）都（dōu）有一（yī）个共同的特点，那就是自（zì）主性和（hé）私密（mì）性。不管是EMG信（xìn）号采集还是气（qì）流采集，都需要在（zài）讲话者身（shēn）上佩戴（dài）好设备，而不（bú）是（shì）像（xiàng）图像技（jì）术一样（yàng），能（néng）够在远程且讲话者（zhě）不知情的情（qíng）况（kuàng）下进行采集分析。

无声语音识别变成真（zhēn）·气（qì）功？

不论是气宗还是电宗，这些无声语音识别技（jì）术都面临着同样的问（wèn）题——既（jì）然（rán）要用户把（bǎ）话说出来才能进行识别，那（nà）为什么（me）不直接应用语音识（shí）别来进行文字（zì）转换和翻译，非要弄一些和“气功（gōng）”一样没有切实应（yīng）用场景的（de）花招？

其实无声语音识别（bié）的（de）应用，可（kě）能不（bú）像大家（jiā）想象（xiàng）的那样广泛，它（tā）既不能以最高效的方（fāng）式（shì）帮助听障人士，也不允许被（bèi）应用于（yú）监听等等工（gōng）作。但（dàn）在一些关（guān）键场合下，无声语音识别却可以发挥出奇用。

我们可以一起开动脑（nǎo）筋，想想在哪里人们（men）需要说话，但却听不到彼此的声（shēng）音。答（dá）案（àn）很简（jiǎn）单，要么是在（zài）声音无法传（chuán）播的地方，要（yào）么（me）是在一（yī）些特别嘈杂的地方。于是无（wú）声（shēng）语音识别就有了如（rú）下的应用场景：灾害现（xiàn）场（chǎng）、舱外探索、水下作业……

在这类场所中，人们或许为了躲（duǒ）避被污染的空气（qì）、或许为了呼吸氧气（qì），都（dōu）会穿上类似生化服、宇航员服等等特殊服装。穿（chuān）上（shàng）之后既看不到对方的表情，也听不（bú）到对（duì）方的声音，更（gèng）没（méi）办法用语音交（jiāo）互去控制其他（tā）设备了。同（tóng）时（shí）环境（jìng）情况（例如氧气不够充足（zú））往往（wǎng）不允许人们以正常的声音说（shuō）话（huà），加上防护服（fú）的封闭状（zhuàng）况会引起声音的回响，以往的有（yǒu）声语（yǔ）音识别在这种情况下很（hěn）难发挥作用（yòng）。

这时可以被安置在（zài）防护服内（nèi）部的无（wú）声语（yǔ）音识别（bié）就显（xiǎn）得（dé）很有（yǒu）价（jià）值，讲话者只（zhī）需（xū）要做出口型就（jiù）能向外界传（chuán）递（dì）信息。

除此之外（wài）还有嘈杂的马路、工厂（chǎng）车间、机场（chǎng）……

在这些场所（suǒ）中，想要（yào）让对方听清自己的（de）声（shēng）音，往往需要扯着嗓子吼。想让语音识别（bié）准确拾音（yīn），更是难上加难。这时利（lì）用无声语音识别就会轻（qīng）松很（hěn）多，不仅可以准确（què）表（biǎo）达（dá）信息，也能让一些处于这种（zhǒng）场合的工作（zuò）人（rén）员戴上隔音耳塞（sāi）保护自己的听（tīng）力。

实际上目前在欧洲一些型号的战斗机中，就因为机（jī）舱内噪音巨（jù）大、飞行员之间无法沟通，已经应用上了EMG信号无声语音识别技术（shù）。

当然，目前相（xiàng）比语音识别（bié）技术、甚（shèn）至相比唇语语音识别，无声语（yǔ）音识（shí）别技术的发展（zhǎn）阶段还很初级，应用效率也不高。

实际（jì）上（shàng）无声语音识别（bié）是（shì）一（yī）项典型（xíng）的“美好而无用”的AI技（jì）术，它（tā）既完美体现了（le）一系列技术（shù）的排列组合，例如EMG信号无（wú）声语音识别（bié）所体现（xiàn）出（chū）的AI与神经学的结合；又在应用上（shàng）极大程度的受限，即使在（zài）一些声音（yīn）难以传播的场景下，也要考虑计算条件、识别语音（yīn）后信息再传（chuán）递的媒介，更（gèng）不用提复（fù）杂的数据收集（jí）工作了。

但我们有理由相（xiàng）信，在未（wèi）来AI技术越来越（yuè）普及化、应用成本越来越低时（shí），总（zǒng）会出现（xiàn）一些极端场景应用上这（zhè）些看似无用的技术——也许未（wèi）来（lái）有一天，战斗机的（de）控制（zhì）也要应用上语音交互呢？