小时候看特务电影时（shí），特工们（men）往往有（yǒu）一（yī）项必备的（de）技能（néng），就是（shì）隔着几（jǐ）百（bǎi）米远盯着正在说话的对（duì）象，从（cóng）嘴（zuǐ）型判断（duàn）出（chū）对方在说什么。有了这种记忆，导致（zhì）如今看什么（me）语音识别技术（shù）都觉得相（xiàng）当一般——我都说（shuō）出声（shēng）儿了（le）你才（cái）听懂，算什么AI好汉。

不过最近一项（xiàng）专利申请表明，微软正在向特工学习（xí），推出了无（wú）声语音识别技术。当AI也能（néng）像特工一样，无声之中辩人言，我们的世界究竟会有什么不同？

除去唇语识（shí）别（bié），AI还有什么方式（shì）悄悄听懂你的话？

说起无声（shēng）语（yǔ）音（yīn）识别，可能很（hěn）多人第一反应就是复制人类的（de）方式，利用图（tú）像识别（bié）进行辩读唇（chún）语。而利用（yòng）唇语进（jìn）行语音识别（bié）这种方式（shì）也由来已久，但是识别的准确率一直不算高。DeepMind曾（céng）在2016年（nián）做过测试，经过1万小（xiǎo）时（shí）的（de）新（xīn）闻视频训练，AI唇语（yǔ）准确率达到了46.8%。国（guó）内有一（yī）家企业曾经提供过相关数据（jù）：在对中文新闻（wén）视频的识（shí）别中，准确率达到（dào）了70%。而搜狗（gǒu）所（suǒ）推出的驾驶场景下的唇语识别，因（yīn）为涉及（jí）到的词汇量很（hěn）少，准确率（lǜ）能够达（dá）到90%。

可（kě）以发现，相比现在主流语音识别动辄95%、97%的准确（què）率，唇语识别准确程度实在（zài）是有些拿不上（shàng）台面。对于中文这种一字一音节的语言来说还好（hǎo），对于英文这种连音很多的语言来说，唇语识别要跨（kuà）越的门槛确实不小。

另一（yī）方面（miàn）来看（kàn），唇语识别所涉及（jí）到伦理问题实在过于严重。唇语识（shí）别的“射（shè）程（chéng）”太（tài）远，如果这种技术（shù）真的发展成（chéng）熟，意味着天网（wǎng）之下的我们（men）在交谈时（shí）将再无隐私。在隐私焦虑越来越（yuè）浓的（de）今天，哪家（jiā）企业（yè）公开（kāi）研究这项技（jì）术，只怕是（shì）觉得自己家的公关（guān）部门过得太清闲。

因此包括微软在内的产业和学界，都在寻找一种更精准也更隐私的无声语言（yán）识别。目前看（kàn）来，无声语（yǔ）音识（shí）别的（de）技术方（fāng）向可以被（bèi）分为两个（gè）“派（pài）系”，一是“气宗”，另一个是“电宗”。

微（wēi）软所提（tí）交的专利，就是典型的“气（qì）宗”——在终端上添加传感器，通过感知用户说话时的气流来（lái）判（pàn）断用户说话的内容。这种终端如同一只小（xiǎo）型麦克风，置（zhì）于用（yòng）户嘴边，用户在（zài）说话时形成（chéng）的气流会在设备中形成反（fǎn）射，经（jīng）过（guò）训练，可以将这些（xiē）气流反射的（de）信（xìn）号和文字一（yī）一对应。

而“电宗（zōng）”则更加神奇，我们知道人在说话时需要（yào）调（diào）动整个下半（bàn）张脸的肌肉，不（bú）同的文字（zì）发（fā）音所调动肌肉的方式也并不（bú）相同。通过对面（miàn）部EMG（肌电）信号的采集，来学（xué）习人类说话时面部EMG信号特征，并通过神经网（wǎng）络（luò）的训练将EMG信号和文字对（duì）应起来（lái）。

可（kě）以看出（chū）这两种无声语音识别都有一个共同的（de）特点，那就是自主性和私密性。不管是EMG信号采集还是气流采集，都需（xū）要在讲话者（zhě）身上（shàng）佩戴好设备，而不是像图像技术（shù）一（yī）样（yàng），能（néng）够在远程且讲话者不知情（qíng）的情况下进行采集分（fèn）析。

无声语音识（shí）别（bié）变成真·气功（gōng）？

不论是气宗还是电宗（zōng），这些无（wú）声语音识别技术都（dōu）面临着同样的问题——既然要用户把话说出来才（cái）能进行识别，那为什么不直（zhí）接应用语音（yīn）识别来进行（háng）文字（zì）转（zhuǎn）换和翻译，非要弄一些和“气功”一（yī）样没有（yǒu）切实应用场（chǎng）景的花招？

其实无（wú）声语音识别（bié）的应（yīng）用（yòng），可能不（bú）像大（dà）家想（xiǎng）象的那样广泛，它既不能以最（zuì）高效的方式帮（bāng）助听障人（rén）士，也（yě）不允许被应用于监（jiān）听等等工作。但在一些关键场（chǎng）合下，无声（shēng）语（yǔ）音识别却（què）可（kě）以发（fā）挥（huī）出奇用。

我们可以一起开动脑（nǎo）筋，想想在哪里人们需要说话，但却听不到彼（bǐ）此的声音（yīn）。答案很简单（dān），要么是在声音无法传播的地方（fāng），要么是在一些特别嘈杂的地方。于是（shì）无（wú）声语音识别就有了如下的应用场景：灾害现（xiàn）场、舱外探索、水下作业……

在（zài）这（zhè）类场所中，人们或许为了躲避被污（wū）染的空（kōng）气、或许为了呼吸氧气，都会穿上类似生化（huà）服、宇航员（yuán）服等等特殊服装。穿上之后既看不到对方的表情（qíng），也（yě）听不到对方的声音，更没办法用语音交互去（qù）控制其他设备了。同（tóng）时（shí）环境情（qíng）况（例如（rú）氧气不够充足）往往不（bú）允许（xǔ）人们（men）以正常的声音说话，加上防（fáng）护服的封闭状况会引起（qǐ）声音的（de）回响（xiǎng），以往的有声语音识（shí）别在（zài）这（zhè）种情况下很难（nán）发挥作用。

这（zhè）时可以被安置在防护服内部的无（wú）声语音（yīn）识别就显得很有价值，讲（jiǎng）话者只需要做出口（kǒu）型就能向外（wài）界（jiè）传递信息。

除此之外还有嘈杂（zá）的马路、工厂车间、机场……

在（zài）这些场所中，想要（yào）让对方听清（qīng）自己（jǐ）的（de）声音（yīn），往往需要扯着嗓子（zǐ）吼。想让语音识别准确拾音，更是（shì）难上加难（nán）。这时利（lì）用无声（shēng）语音识别就会轻松很多（duō），不（bú）仅可以准确（què）表（biǎo）达信息（xī），也能让一（yī）些处于这种场（chǎng）合（hé）的工作人员戴（dài）上隔音耳塞保护自己的听力。

实（shí）际上目前在欧洲一些型号的战（zhàn）斗机中，就（jiù）因为（wéi）机舱内噪音巨大、飞行员（yuán）之间无法沟通，已经应（yīng）用上了（le）EMG信号无声（shēng）语音识别技术。

当然，目前相比语音识别技术、甚至相比唇语语音识别，无声（shēng）语音识别技术（shù）的发展（zhǎn）阶段还很（hěn）初级，应用（yòng）效率（lǜ）也（yě）不高。

实际上无声（shēng）语（yǔ）音识别是一项（xiàng）典型的“美好（hǎo）而无用”的（de）AI技术，它既（jì）完美体现（xiàn）了（le）一（yī）系列技（jì）术的排（pái）列组（zǔ）合，例如EMG信号无声语音识别（bié）所体（tǐ）现出的AI与（yǔ）神经学的结合；又在应用（yòng）上极大程度的受限，即使在一（yī）些声音难（nán）以传播的场景下，也要考虑计算条件、识别语音后信息再传递的媒介，更（gèng）不用（yòng）提复杂的（de）数据（jù）收集工作了。

但我们有理（lǐ）由相信，在（zài）未（wèi）来AI技术越来越普及（jí）化、应（yīng）用成（chéng）本越来（lái）越低时，总会出（chū）现一些极端场景应用上这些（xiē）看似无用的技术——也许（xǔ）未（wèi）来（lái）有一天，战斗机的控制也要应用上语音交互呢（ne）？