搜狗推“唇语识别”技术：垂直场景准确率达 90%" />
在人工智能概念火热的当下，人机交互的发展方向也正趋于多元化，从最初的键盘打字到触控屏，再到现在的语音交互和手势交互，无一不是前沿技术落地的结果。12 月 14 日消息，搜狗今天正式推出全新的人机交互新技术——唇语识别，这也是业内首个公开演示的唇语识别系统，通过机器视觉识别，不用听声音，仅靠识别说话人唇部动作，就能解读说话者所说的内容。
与已有的语音识别产品不同，唇语识别是一项基于机器视觉与自然语言处理于一体的技术，因此在研发难度上比语音识别大得多。
搜狗语音交互中心技术总监陈伟告诉搜狐科技，搜狗的唇语识别技术首创了复杂端到端深度神经网络技术进行中文唇语序列建模，通过数千小时的真实唇语数据训练，加上搜狗在自然语言处理方面的强大优势，最终取得了业界领先的唇语识别效果。
按照搜狗方面提供的数据显示，在非特定人开放口语测试集上，搜狗唇语识别系统已经达到 60% 以上的准确率，超过 google 发布的英文唇语系统 50% 以上的准确率，在垂直场景如车载、智能家居等场景下甚至已经达到 90% 的准确率。
在这里要着重说明的是，中文唇语识别的难度要高于英文唇语识别。
陈伟告诉搜狐科技，中文有四个声调，英文的基本发音单元在 50 个左右，而如果中文的声韵母切开来看，建模数量会超过 200 个。
在刚结束不久的乌镇世界互联网大会上，搜狗唇语识别技术亮相，在业内大多数唇语识别技术实用性尚待考证的环境下，成功完成了业内首个中文唇语识别系统的公开演示。
国内大部分企业都扎堆聚集在智能语音、图像识别等领域，陈伟表示，搜狗开发唇语识别技术是希望解决嘈杂环境下的语音识别准确度问题。
目前有两种方式可以解决这个问题：一是硬件层面的语音增强，对噪音进行屏蔽；二是增加多模态信息，比如唇语识别的图像信息。
作为人机交互的形式之一，未来唇语识别技术可以辅助语音交互及图像识别，在日常生活、安防、公益等各个领域实现广泛应用。
比如在车载场景下，周围噪音过大时会对语音指令产生干扰，通过唇语识别技术则可以规避干扰，保证人车交互的准确性和稳定性，日常不便发声的公共场所也可以保证说话内容的私密性；在安防领域，由于目前多数监控只有摄像头没有麦克风，往往只能看清嘴型却不知道在说什么，给案情分析带来很多难题，而唇语识别技术可以帮助公安人员获取重要的讲话信息，为公共安全提供有效支持。
除此之外，唇语识别技术还能发挥巨大的公益价值，帮助先天性听障人群或老年人，让他们更好地理解和表达自己。
搜狗近年来一直在集中资源做自然语言的研究，目前在语音识别、语义理解、机器翻译等方面均取得了比较领先的成果并实现产品落地，此次推出唇语识别技术，将推动整个 AI 行业的技术革新。
相关文章
