人們通過聆聽和觀察說話者的嘴唇動作來感知言語。

那么，AI 也可以嗎?

 

事實上，研究表明視覺線索在語言學習中起著關(guān)鍵的作用。相比之下，人工智能語言識別系統(tǒng)主要是建立在音頻上。而且需要大量數(shù)據(jù)來訓(xùn)練，通常需要數(shù)萬小時的記錄。

為了研究視覺效果，尤其是嘴部動作的鏡頭，是否可以提高語音識別系統(tǒng)的性能。Meta 的研究人員開發(fā)了 Audio-Visual Hidden Unit BERT (AV-HuBERT)，這是一個通過觀看學習和聽人們說話來理解語言的框架。

Meta 聲稱 AV-HuBERT 比使用相同數(shù)量轉(zhuǎn)錄量的最佳視聽語音識別系統(tǒng)準確率高 75%。此外，該公司表示，AV-HuBERT 使用十分之一的標記數(shù)據(jù)優(yōu)于以前最好的視聽語言識別系統(tǒng)，這使得它可能對音視頻數(shù)據(jù)很少的語言具有潛在的用途。

Meta AI 研究科學家 Abdelrahman Mohamed 表示：“在未來，像 AV-HuBERT 這樣的 AI 框架可用于提高語音識別技術(shù)在嘈雜的日常條件下的性能，例如，在聚會上或在熙熙攘攘的街頭中進行的互動。智能手機中的助手、增強現(xiàn)實眼鏡和配備攝像頭的智能揚聲器，例如 Alexa Echo Show 也可以在這項技術(shù)中受益。”

目前，Meta 已將相關(guān)代碼開源到 GitHub。

AV-HuBERT

Meta 并不是第一個將人工智能應(yīng)用于讀唇語問題的公司。2016年，牛津大學的研究人員創(chuàng)建了一個系統(tǒng)，該系統(tǒng)在某些測試中的準確率幾乎是經(jīng)驗豐富的唇讀者的兩倍，并且可以實時地處理視頻。2017年，Alphabet 旗下的 DeepMind 在數(shù)千小時的電視節(jié)目中訓(xùn)練了一個系統(tǒng)，在測試集上可以正確翻譯約 50%的單詞而沒有錯誤，遠高于人類專家的 12.4%。

但是牛津大學和 DeepMind 的模型，與許多后續(xù)的唇讀模型一樣，在它們可以識別的詞匯范圍內(nèi)受到限制。這些模型還需要與轉(zhuǎn)錄本配對的數(shù)據(jù)集才能進行訓(xùn)練，而且它們無法處理視頻中任何揚聲器的音頻。

有點獨特的是， AV-HuBERT 利用了無監(jiān)督或自我監(jiān)督的學習。通過監(jiān)督學習，像 DeepMind 這樣的算法在標記的示例數(shù)據(jù)上進行訓(xùn)練，直到它們可以檢測到示例和特定輸出之間的潛在關(guān)系。例如，系統(tǒng)可能會被訓(xùn)練在顯示柯基的圖片時寫出單詞「dog」。然而，AV-HuBERT 自學對未標記的數(shù)據(jù)進行分類，處理數(shù)據(jù)以從其固有結(jié)構(gòu)中學習。 

 

AV-HuBERT 也是多模態(tài)的，因為它通過一系列的音頻和唇部動作提示來學習感知語言。通過結(jié)合說話過程中嘴唇和牙齒的運動等線索以及聽覺信息，AV-HuBERT 可以捕捉這兩種數(shù)據(jù)類型之間的細微關(guān)聯(lián)。

最初的 AV-HuBERT 模型在 30 小時的 TED Talk 視頻上進行了訓(xùn)練，大大少于之前最先進模型的 31,000 小時的訓(xùn)練時間。但是，盡管在較少的數(shù)據(jù)上進行了訓(xùn)練，AV-HuBERT 的單詞錯誤率 (WER)(衡量語音識別性能的指標)在可以看到但聽不到說話者的情況下略好于舊模型的 33.6%，前者為 32.5%。(WER 的計算方法是將錯誤識別的單詞數(shù)除以總單詞數(shù);32.5% 轉(zhuǎn)化為大約每 30 個單詞出現(xiàn)一個錯誤。)在 433 小時的 TED 演講訓(xùn)練進一步將 AV-HuBERT 的 WER 降低到 28.6%。

一旦 AV-HuBERT 很好地了解了數(shù)據(jù)之間的結(jié)構(gòu)和相關(guān)性，研究人員就能夠在未標記的數(shù)據(jù)上進一步訓(xùn)練它。上傳到 YouTube 的 2,442 小時名人英語視頻，這不僅使 WER 下降到 26.9%，而且 Meta 表示，它表明只需要少量標記數(shù)據(jù)來訓(xùn)練特定應(yīng)用程序(例如，當多人同時說話時)或不同語言的框架。

事實上，Meta 聲稱當背景中播放響亮的音樂或噪音時，AV-HuBERT 在識別一個人的語音方面比純音頻模型好約 50%，當語音和背景噪音同樣響亮時，AV-HuBERT 的 WER 為 3.2%，而之前的最佳多模式模型為 25.5%。

潛在的缺點

在許多方面來看，AV-HuBERT 象征著 Meta 在用于復(fù)雜任務(wù)的無監(jiān)督、多模式技術(shù)方面不斷增長的投資。

Meta 表示 AV-HuBERT 可以為開發(fā)“低資源”語言的對話模型開辟可能性。該公司建議，AV-HuBERT 還可用于為有語言障礙的人創(chuàng)建語音識別系統(tǒng)，以及檢測深度偽造和為虛擬現(xiàn)實化身生成逼真的嘴唇運動。

在各方面數(shù)據(jù)上，新方法的變現(xiàn)著實很精彩，但也有學者有一些擔憂。

其中，華盛頓大學的人工智能倫理學專家Os Keye就提到，對于因患有唐氏綜合征、中風等疾病而導(dǎo)致面部癱瘓的人群，依賴讀唇的語音識別還有意義嗎?

在微軟和卡內(nèi)基梅隆大學的一篇論文中，提出了人工智能公平性研究路線圖，指出類似于 AV-HuBERT 的面部分析系統(tǒng)的某些方面可能不適用于患有唐氏綜合癥、軟骨發(fā)育不全(損害骨骼生長)和“導(dǎo)致特征性面部差異的其他條件”等。

Mohamed 強調(diào) AV-HuBERT 只關(guān)注唇部區(qū)域來捕捉唇部運動，而不是整個面部。他補充說，與大多數(shù) AI 模型類似，AV-HuBERT 的性能將“與訓(xùn)練數(shù)據(jù)中不同人群的代表性樣本數(shù)量成正比”。

“為了評估我們的方法，我們使用了公開可用的 LRS3 數(shù)據(jù)集，該數(shù)據(jù)集由牛津大學研究人員于 2018 年公開提供的 TED Talk 視頻組成。由于該數(shù)據(jù)集不代表殘疾說話者，因此我們沒有預(yù)期性能下降的特定百分比，”Mohamed 說。

Meta 表示，它將“繼續(xù)在背景噪聲和說話者重疊很常見的日常場景中進行基準測試和開發(fā)改進視聽語音識別模型的方法。”