小时候看特务（wù）电影时，特工们往往有一项必（bì）备（bèi）的技能，就是（shì）隔着几百米远盯着正在说话的（de）对象，从嘴型判断出对方在（zài）说什么（me）。有了这种（zhǒng）记忆，导（dǎo）致如（rú）今看什么语音识别技术都觉（jiào）得相（xiàng）当一般——我都说出声儿了你才听（tīng）懂，算什么AI好汉。

不过最近一项专利申请表明（míng），微软正在向特工学习，推出了无声语音识别技术。当（dāng）AI也能像特工一样，无声之中（zhōng）辩人言，我们的世界究竟会有什（shí）么不（bú）同？

除去唇语识别，AI还（hái）有什么方式悄悄听懂你的话？

说起（qǐ）无声语音识别，可能（néng）很（hěn）多人第一反应就是复制人类（lèi）的方式，利（lì）用图像识别进行辩读唇语。而（ér）利用唇语进行（háng）语音识别这种方式也由来（lái）已久，但是识别的准确率一直（zhí）不算（suàn）高（gāo）。DeepMind曾在2016年做过测试，经过1万小时的新闻（wén）视频训练（liàn），AI唇（chún）语准确率达到了46.8%。国内有一（yī）家企业（yè）曾（céng）经提（tí）供（gòng）过相（xiàng）关数据：在对中文新闻视（shì）频的识别中，准确率达到了70%。而（ér）搜狗所推出的驾驶场（chǎng）景下的（de）唇语识别，因为涉及到的词汇（huì）量（liàng）很少（shǎo），准（zhǔn）确率能够达到90%。

可以（yǐ）发现，相比现在主流语音识别动辄95%、97%的准确率，唇语识别（bié）准确程度实在是有些拿不上台面。对于中文（wén）这种（zhǒng）一字一音节的语言来说（shuō）还好，对于（yú）英文这种连（lián）音很多（duō）的语（yǔ）言来说，唇语识别要（yào）跨越（yuè）的门槛确实不（bú）小。

另（lìng）一方面来看（kàn），唇语识别所（suǒ）涉及到（dào）伦理（lǐ）问题（tí）实在（zài）过于严重（chóng）。唇语识别的“射程（chéng）”太远，如果（guǒ）这种（zhǒng）技术（shù）真的发展成熟，意（yì）味着天网之下的我们在交谈时将再无隐私（sī）。在隐（yǐn）私焦虑越来越浓的（de）今天，哪家企业（yè）公开研究这项技术（shù），只怕（pà）是（shì）觉（jiào）得（dé）自己（jǐ）家的公关部门过得太清（qīng）闲。

因此（cǐ）包括微软在内的产业和（hé）学界，都在（zài）寻找一种更精准也更隐私的无声语言识别。目前看来，无声语音识别（bié）的技术方向可以被分为两个“派系”，一是“气宗”，另一个是“电宗”。

微软所提交的专（zhuān）利，就是典型的“气宗”——在终端上添加传（chuán）感器，通过感知用户说话时的气流来判断用户说话（huà）的内容。这（zhè）种终端如同一（yī）只小型麦克风，置于用户嘴（zuǐ）边，用户（hù）在（zài）说话时形成（chéng）的气流会在设备（bèi）中形成反射，经过（guò）训练，可以将这些气流反射的（de）信号（hào）和文字一（yī）一对应。

而“电宗”则更加（jiā）神奇，我们（men）知道人在（zài）说话时需要调（diào）动整个下半张脸的肌肉，不同的文（wén）字发音所调动肌（jī）肉的方式（shì）也并不相（xiàng）同。通过对面部（bù）EMG（肌电）信号的采集（jí），来（lái）学习人（rén）类（lèi）说话时面部EMG信号特征，并（bìng）通过（guò）神经网络的训练将EMG信（xìn）号和（hé）文（wén）字对（duì）应起来。

可以（yǐ）看（kàn）出这两种无声语（yǔ）音（yīn）识别都有一个共同（tóng）的特点，那就是自主性和私（sī）密性。不管是EMG信（xìn）号采集还是气流采集，都需（xū）要在（zài）讲（jiǎng）话者（zhě）身上佩戴（dài）好设备，而不（bú）是（shì）像图像技术一样（yàng），能够在远程且讲（jiǎng）话（huà）者不（bú）知（zhī）情（qíng）的情况下进行采集分析。

无声语音识（shí）别（bié）变成真·气功？

不论（lùn）是（shì）气（qì）宗还是电宗，这些（xiē）无声语音识别技术（shù）都面临着同样的问题——既然（rán）要用户把话说出来才能进（jìn）行识别，那为什么不直（zhí）接应（yīng）用语音识别来（lái）进（jìn）行文字转（zhuǎn）换和翻译（yì），非要弄一些和（hé）“气功”一样没（méi）有切实应用场景的花招（zhāo）？

其（qí）实无声语音识（shí）别的（de）应用，可能不像大（dà）家（jiā）想象的那样（yàng）广泛，它既不能（néng）以最高（gāo）效（xiào）的方（fāng）式（shì）帮助听障人士，也不允许被（bèi）应用于监听等等工作。但（dàn）在一些（xiē）关键场合下，无声语音（yīn）识别却（què）可以发挥出奇用。

我们（men）可以一起开动脑（nǎo）筋，想想在（zài）哪里人们需要说话（huà），但（dàn）却听不到彼此的声音（yīn）。答案很简单（dān），要么是在声音无法（fǎ）传播的地方，要么是在一些特别嘈杂的地方。于是无声语音识别就有了如下的应用场景：灾害现场、舱外探索（suǒ）、水下作业……

在这类（lèi）场所中，人们（men）或许为了躲避被污染（rǎn）的空气、或许为了呼吸氧气，都（dōu）会穿上（shàng）类似（sì）生化服（fú）、宇航员服等等特殊服装。穿上之后既看不到（dào）对（duì）方的表情，也听（tīng）不到（dào）对方的声音（yīn），更没（méi）办法用语音交互去控制（zhì）其他（tā）设备了。同时环境情况（例如氧（yǎng）气不够充足）往往不（bú）允许人们（men）以正常的声音说话，加上防（fáng）护服的封闭状况会（huì）引起声（shēng）音的回响，以往的有声（shēng）语音识（shí）别在这种情况下（xià）很难发挥作用。

这时可（kě）以被安置在防护（hù）服内部的无声语音识别（bié）就显得（dé）很（hěn）有价值（zhí），讲话者只需要做出口型就能向（xiàng）外界传递信（xìn）息。

除此之外还有嘈杂的马路、工厂车间、机场……

在这些场（chǎng）所中，想要让对方听清自己的声音，往往需要扯着嗓子吼。想让语音识别准确拾音，更是难上加难。这（zhè）时利用无声语音（yīn）识别就会轻松很多（duō），不仅（jǐn）可以（yǐ）准（zhǔn）确表达信息，也能让一些（xiē）处于（yú）这种场合的工作人员戴上隔音耳塞保护（hù）自己的（de）听力。

实（shí）际上目前（qián）在欧洲一些型号的战斗机中，就因为机（jī）舱（cāng）内噪音巨大、飞（fēi）行员（yuán）之间（jiān）无法沟通，已经（jīng）应用上了EMG信号无声语音（yīn）识（shí）别（bié）技术。

当然（rán），目前相比语音识别技术、甚至相比唇语语音识别，无声语音识别技术的（de）发展阶段还很初级，应用效率也不高。

实际上（shàng）无声（shēng）语音识（shí）别是一（yī）项典型的“美好（hǎo）而无用”的AI技术，它既完美体现了一（yī）系列技术的排列组合，例如EMG信（xìn）号无声语音（yīn）识别所体现出（chū）的AI与神经学的结合；又在应用（yòng）上极大程度的（de）受限（xiàn），即（jí）使（shǐ）在（zài）一些声音难以传播的场景下（xià），也要考虑计算（suàn）条件、识别语音后信息再（zài）传递的媒介（jiè），更不用提复杂的（de）数据收集工作了。

但我们有理（lǐ）由相信，在未来AI技术（shù）越来越普及化、应用成本越来（lái）越低时，总会出现（xiàn）一些极端场景（jǐng）应用上这些看似无（wú）用的技术——也许未来有一天（tiān），战斗机的控制（zhì）也要应用（yòng）上语音（yīn）交互呢？