專業(yè)唇語閱讀者識別唇語的準確率只有20%到60%。人類在日常說話過程中嘴唇的微小移動很難被可靠地解讀，尤其是在有一定距離，或畫面不清晰的情況下。不過，唇語并不只是美劇《海軍罪案調查科》中的噱頭，對全球的失聰者來說，這是一項有用的工具。如果能可靠地解讀，那么將給數(shù)百萬人帶來幫助。

牛津大學的*新研究描述了一種名為LipNet的人工智能系統(tǒng)。通過“觀看”人類說話的視頻，以及輸入相應文字，這一軟件對唇語的解讀準確率高達93.4%。這項研究得到了谷歌（微博）旗下DeepMind的資助。

此前*佳的唇語解讀工具只能實現(xiàn)逐個單詞的解讀，準確率只有79.6%。牛津大學研究員表示，新系統(tǒng)獲得成功的關鍵在于通過不同方式去思考這一問題。這一系統(tǒng)不再利用可視元素，即說話者嘴型的變化去訓練人工智能，而是每次都處理一整個句子。這使得人工智能可以學會單詞對應于什么樣的嘴型變化。

為了訓練這一系統(tǒng)，研究員向人工智能展示了2.9萬條帶文字標簽的視頻，每段視頻長度為3秒。而為了觀察專業(yè)唇語閱讀者做得如何，該團隊還邀請了“牛津學生殘疾人社團”的3名成員，用300條隨機視頻去進行類似的測試。這些專家的平均錯誤率為47.7%，而人工智能的錯誤率只有6.6%。

盡管這一項目取得了成功，但也暴露出了當代人工智能研究的局限。在指導人工智能如何閱讀唇語的過程中，牛津大學團隊使用了經過設計的視頻。視頻中的所有人物都面向前方，光線明亮，說出標準結構的語句。

視頻中的典型語句時長為3秒鐘，例如：“Place blue in m 1 soon。”這其中包括命令、顏色、介詞、字母、數(shù)字，以及副詞。所有語句都采用這樣的模式。因此，人工智能的超高準確率只是在一種極端情況下取得的。如果要求人工智能從隨機的YouTube視頻中閱讀唇語，那么結果可能很不準確。

有其他研究人員指出，利用這種特殊視頻去訓練并不符合真實世界場景。不過，論文作者南多·德弗雷塔斯（Nando de Freitas）為自己的成果進行了辯護。他指出，該團隊曾嘗試過其他視頻，但這些視頻帶來了太多“噪音”。這些視頻各不相同，因此人工智能無法取得有意義的結論。這也意味著，完美的數(shù)據集可能并不存在。德弗雷塔斯認為，考慮到這一人工智能的準確率，*終情況如何將取決于任務本身。

OpenAI的杰克·克拉克（Jack Clark）表示，如果希望在現(xiàn)實世界中得到應用，那么這一人工智能還需要三方面的優(yōu)化：人們在現(xiàn)實世界場景中大量的說話視頻；讓人工智能可以從多個不同角度去閱讀唇語；以及讓人工智能可預測的短語類型更多樣化。

克拉克表示：“這項技術具備顯而易見的應用，但這看起來似乎并不可能?！比绻斯ぶ悄芸梢詫W會閱讀唇語，那么將適用于多種場景。此類系統(tǒng)可以被用于幫助聽力障礙人士了解周圍發(fā)生的對話，或是讓其他人工智能更好地辨別視頻中的聲音，生成準確的字幕。