小（xiǎo）时候看特务（wù）电影时，特工们（men）往往有（yǒu）一（yī）项必备的技能，就是隔着几百米远盯着正在（zài）说（shuō）话的对（duì）象，从嘴型判断出对（duì）方在说什（shí）么。有了这种记忆，导（dǎo）致如今看什么语（yǔ）音识别技术（shù）都觉得相当一般——我都说（shuō）出声儿了你才听懂，算（suàn）什么AI好汉（hàn）。

不过最（zuì）近一项专利申请表（biǎo）明，微（wēi）软正在向特工学习，推出了无声语音识别技术。当AI也能（néng）像特工一样，无声之中（zhōng）辩人言，我们的世界究（jiū）竟会有（yǒu）什么（me）不同？

除去唇语（yǔ）识别，AI还有什么方式悄（qiāo）悄听懂你的（de）话？

说起无声语音识别，可能很多（duō）人第（dì）一反应就是复制人（rén）类（lèi）的方式，利用图（tú）像识别进行辩（biàn）读唇语。而利用唇（chún）语进行语音识别这种方式也由来（lái）已（yǐ）久（jiǔ），但（dàn）是识别的准确率一直不算高。DeepMind曾在2016年做过测试，经过1万小时（shí）的新闻视频训练（liàn），AI唇（chún）语（yǔ）准确率（lǜ）达到了46.8%。国内有一家企业曾经提（tí）供（gòng）过（guò）相关数据：在对中文新（xīn）闻视频的（de）识别中，准确率（lǜ）达到了70%。而搜狗所推（tuī）出的（de）驾驶场景下（xià）的唇语识别，因（yīn）为涉及到的词（cí）汇量很（hěn）少，准确率能够达（dá）到90%。

可以发现，相（xiàng）比现在（zài）主流语（yǔ）音识别动辄95%、97%的准确（què）率，唇语（yǔ）识别准确程度（dù）实（shí）在是有（yǒu）些拿不上（shàng）台面。对于中文这种（zhǒng）一字一音节的语（yǔ）言来说还好，对于英文这种连音很多的语言来说，唇（chún）语识别要跨越的门槛确实不小（xiǎo）。

另一方面来（lái）看，唇语识别所涉及（jí）到伦理问题（tí）实在过于（yú）严（yán）重。唇语识别的“射程”太远，如果这种技术真的发展（zhǎn）成（chéng）熟，意味着天网之下的我们在交谈（tán）时将（jiāng）再（zài）无隐私。在隐私焦虑越来越浓的今天（tiān），哪家（jiā）企业（yè）公开研究这项技术（shù），只（zhī）怕是觉得自己家的（de）公关部（bù）门过得太清闲。

因此包括微软在内的产业（yè）和（hé）学（xué）界，都在寻找一种更精（jīng）准也更（gèng）隐（yǐn）私的（de）无（wú）声语言（yán）识别（bié）。目前看来，无声（shēng）语音识别的技术方（fāng）向（xiàng）可（kě）以被（bèi）分为两（liǎng）个“派系”，一是（shì）“气宗”，另一个（gè）是“电宗”。

微（wēi）软所提交（jiāo）的（de）专利，就是典型（xíng）的“气宗”——在终端上添加传感器，通过感知（zhī）用户（hù）说话时的气（qì）流来判断（duàn）用户说（shuō）话（huà）的内容。这种终端如同一只小型麦克风，置（zhì）于用户嘴边，用（yòng）户在说话时形成的气流会在设（shè）备中形（xíng）成反射，经过训练，可以将这些气流反射的信号和文（wén）字一一对应。

而“电（diàn）宗”则（zé）更加神奇，我们知道人在说话（huà）时需要调动整（zhěng）个（gè）下半（bàn）张脸（liǎn）的肌肉，不同（tóng）的文字发音所调（diào）动肌肉的方式（shì）也并（bìng）不相（xiàng）同。通过对面（miàn）部EMG（肌电）信号的采集，来学习人（rén）类说（shuō）话时面（miàn）部EMG信号特征，并通过神经（jīng）网络的训练（liàn）将EMG信号和文字对应（yīng）起（qǐ）来。

可（kě）以看出这两种无声语（yǔ）音识别（bié）都有一个共同的特点，那就是自主性（xìng）和私密性。不管是EMG信（xìn）号采集还是（shì）气流采（cǎi）集，都需要在（zài）讲话（huà）者身上佩戴好设备，而不是像图（tú）像（xiàng）技术（shù）一样，能够（gòu）在远程且讲话者（zhě）不知情（qíng）的情况（kuàng）下进行采集分析。

无声语音（yīn）识（shí）别变成（chéng）真·气功？

不论是气宗（zōng）还是电宗（zōng），这（zhè）些无声语音识别技术都面临着同样的问题——既然要用（yòng）户把话说（shuō）出来才能进行识别，那为（wéi）什么不（bú）直接（jiē）应用语音识别（bié）来进行（háng）文字（zì）转换和翻译，非要弄（nòng）一些和“气功”一（yī）样没有切实应（yīng）用场景的花招？

其实无声语音识别的（de）应用，可能（néng）不像大家想象的那样广（guǎng）泛，它既不能以最高效的（de）方式帮助（zhù）听障人士（shì），也（yě）不允许（xǔ）被应用于监听等等工作。但在一（yī）些（xiē）关（guān）键场合下，无声语音识别却可以发挥（huī）出奇用（yòng）。

我（wǒ）们可以一起开动脑筋（jīn），想（xiǎng）想在哪里（lǐ）人（rén）们需要说话，但（dàn）却听（tīng）不到彼此（cǐ）的（de）声音。答案很简单，要么（me）是（shì）在声音无法传播（bō）的地（dì）方，要么是在一些特别嘈杂的地方。于是（shì）无声语音识别（bié）就有了如下的应用场景：灾害现场、舱外探（tàn）索、水（shuǐ）下作业……

在这类场所中（zhōng），人们或许为了躲（duǒ）避被污染的空气（qì）、或（huò）许（xǔ）为了呼吸氧气（qì），都会穿上类似（sì）生（shēng）化服、宇航员服等等（děng）特殊服装。穿（chuān）上之后（hòu）既看不到对方的表情，也听不到对方的声（shēng）音，更（gèng）没（méi）办法（fǎ）用语音交互去控（kòng）制其他（tā）设备了。同时环境情况（例如氧气不够（gòu）充足）往（wǎng）往（wǎng）不允许人们以（yǐ）正常的声音说话（huà），加上防护服（fú）的封闭状况会引起声音（yīn）的回响，以往的有（yǒu）声语音识别在这种情况下很（hěn）难发挥（huī）作用。

这时（shí）可以被（bèi）安置在防护服内部的无声语（yǔ）音识别就显得很有价（jià）值，讲话者只（zhī）需要（yào）做出口型就能向外（wài）界传递信息。

除此之外还有嘈杂的马路（lù）、工厂车间（jiān）、机场……

在这（zhè）些场所中，想要让（ràng）对方听清自己的声（shēng）音，往往（wǎng）需要扯着嗓（sǎng）子吼（hǒu）。想让（ràng）语音识别（bié）准确拾音（yīn），更（gèng）是难上加难（nán）。这时利用无（wú）声语音识别就会轻（qīng）松很多，不仅可以准（zhǔn）确表（biǎo）达信（xìn）息，也能让一些处于这种场合的工（gōng）作人员戴（dài）上隔音耳塞保护（hù）自（zì）己的听力。

实（shí）际上目前在欧洲一些型号的（de）战（zhàn）斗机中，就因为机舱（cāng）内噪音巨（jù）大、飞行（háng）员之间无法沟通，已经应用上了（le）EMG信号（hào）无声语音识别技术。

当（dāng）然，目前（qián）相比语音识别技（jì）术、甚至相比唇语语音识别，无声语音（yīn）识别技术（shù）的发展阶段还很初（chū）级，应（yīng）用（yòng）效率也（yě）不高。

实（shí）际上（shàng）无声语音识别是一项（xiàng）典型（xíng）的“美好而无（wú）用”的AI技术，它既完美体（tǐ）现（xiàn）了一系列技术的排（pái）列组合，例（lì）如（rú）EMG信号无（wú）声语音识别所体现出的AI与神经学的结合（hé）；又在应用上极大程度的受限，即使在一些声音难以传播的场景下，也（yě）要考虑计（jì）算条件、识别（bié）语音后（hòu）信息再传递的媒介，更不用提复杂的数据收集工作了。

但我们有（yǒu）理由相信，在未来（lái）AI技术越来（lái）越普（pǔ）及化、应用成本越来越（yuè）低时（shí），总会出现一（yī）些（xiē）极（jí）端场景应用上这些看似无用（yòng）的（de）技术——也许未来有（yǒu）一天，战斗（dòu）机的控制也要应用上语音（yīn）交互呢？