解决这一问题的方案是让计算机先学会那些完全同步的音视频流，掌握发音与唇形间的关联，然后自行推断音视频流中那些画面是不同步的，再进行自动修正。DeepMind的 AI 系统自动处理的 5000 小时音视频流就是采用的这种方法。如果完全使用人工来进行同步校准，工作量简直大到不可想象。

　　DeepMind采用的“看、听、尝试、拼写”架构。首先解码出一个特征yi及两个向量，再通过向量去定位对应的输入音频视频流序列

　　好了，问题来了，AI 唇读本事这么大，到底会被用来干嘛？DT 君脑子里首先出现的画面就是：“天网”默默监视着全人类的谈话，只要看看嘴型就知道你在说什么……

　　虽然细思恐极，但专家说了，说到监听这事儿，与其如此大动干戈，还不如超远程监听麦克风来得简单直接效果好。所以，目前来看，没什么好害怕的。

　　相比之下，AI 唇读技术更可能的应用方向是消费类电子设备，可以让设备知道用户想要说什么，哪怕不发出声音。“动动嘴皮子”这种事儿搞不好会成为未来人机交互的常态。

　　来自牛津大学 LipNet 研究团队的Yannis Assael对此技术的评价是：“我们相信AI唇读技术是一种非常实用的辅助性技术，比如更智能的助听器、不便出声的公共场合（Siri再也不用听见你的声音了），以及在嘈杂环境下精准的语音识别等。”

　　最后，小编拿出彩蛋一枚，供各位测试唇读之用。

　　参考：

　　https://www.technologyreview.com/s/602949/ai-has-beaten-humans-at-lip-reading/?utm_campaign=internal&utm_medium=homepage&utm_source=top-stories_2&set=602942

　　https://www.newscientist.com/article/2113299-googles-deepmind-ai-can-lip-read-tv-shows-better-than-a-pro/

　　arXiv, DOI: arXiv:1611.05358v1

　　本周精选：