叨乐发自凹非寺
量子位 | 公众号 QbitAI

小心悄悄话被AI听见！（嘘）

最近国外一款可以读唇语的AI软件火了！

具体效果如下：

红毯上布莱克·莱弗利小声说：“好紧张”，笑着说话时肉眼很难分辨唇语，但AI可以。

乍一看只能看见一排白牙（bushi）的侃爷，唇语也能被轻松破解。

看完后网友们开始纷纷评论，大开脑洞：

求“联名”型网友：快把它和Siri结合一下吧！这样我就不用像小傻子一样对着电脑大喊了！

测评型网友：我想用它试试“座机画质”的视频！

担心安全型网友：我有点害怕，我想戴口罩了。（呜呜）

实测 Readtheirlips 效果如何

量子位整理了一些视频，为大家亲测了一下Readtheirlips的使用效果。

先试了一下奥特曼在斯坦福的访谈视频，把生成的文本和原始对话对照了一下，内容完美契合~

而面对小表情比较多的老马，Readtheirlips的发挥依旧稳定。

不过以上两个视频都是人物全程正脸对着镜头的。

换成了说话时爱比划的小扎，Readtheirlips直接显示错误。（视频中人物不是全程正脸）

而主角换成卡帕西之后，因为他说话太快，生成的文本出现了识别错误的情况。（左侧为Readtheirlips生成，右侧为文字处理软件生成）

最后，我们尝试着上传了一个16分钟的视频，Readtheirlips直接显示错误，无法识别内容。

总结一下：

Readtheirlips识别视频的时间在一分钟左右 。

就像他们标明的那样如果人物的正脸不能正对镜头，那么模型就很难给出正确答案。

而面对语速过快的视频内容，Readtheirlips只能识别出其中的一些内容。

对此，团队成员回应道：

是的，我们还没有研究到这里，但是会很快解决这个问题！

而关于上传视频的时长限制，他们这么说：

现在只支持3分钟以内的视频，但是以后我们会一点一点往上提升的！

AI如何“听”悄悄话

看完亲测视频，咱们也来唠一下Readtheirlips的工作原理。

看看它是怎么读取人类唇语的：

首先，研究团队用大量的标注数据（已知的嘴唇运动动作及其对应的文本内容）来对模型进行训练。

在此基础上，用户要上传一段视频，这段视频要包含说话者的面部特写，尤其是嘴部动作。

然后模型会对视频进行嘴部运动的分析：先是通过面部检测识别嘴唇的位置，然后再提取嘴唇的几何特征，（形状、开合程度、运动轨迹等），最后分析嘴唇在说话过程中的动态变化。（速度、方向和形状变化）

之后，模型会将提取的嘴唇特征与训练数据中的特征进行匹配，来识别出视频中人物所说的内容。

将识别出的单词或短语组合成完整的句子，进行一下上下文理解，确保语法和语义的正确性。

最终将识别出的内容输出为文本形式。

Readtheirlips的开发团队Symphonic Labs是一家初创公司。

领英上显示它今年4月份才刚刚成立，截至目前，公司人数不到10人。

他们之前还研发过一款通过阅读唇语即可完成实时文本转录的软件Symphonic

两款软件的试玩链接都已附上，感兴趣的朋友们可以去尝试一下~