日前神秘网友利用唇语识别，解读《隐秘的角落》中被改掉的台词，原始内容比想象中更加黑暗。
其实让计算机读唇并不是什么新鲜事，早在 2003 年，Intel 就推出过能读唇的语音识别软件。
目前的唇语识别大体分为四步：通过图像识别找到视频中的说话人，提取连续的口型变化特征。
由识别模型找到特征对应的发音，再计算出可能性最大的自然语言语句。
2016 年，牛津大学先是联合 Deepmind 发布 WLAS（Watch, Listen, Attend band Spell ）模型，通过使用 5000 个小时的 BBC 新闻节目进行训练，在测试集上可以达到 46.8% 的识别准确率。
随后他们又联合发布了 LipNet，可以在公式化语句上实现 95.2% 的准确率。两年后 Deepmind 发布论文《大规模视觉语音识别》，将词错率进一步降低至 40.9%。
端到端也好，基于单词也罢，不同语言的唇语识别模型准确率一般在 40% 左右。在图像识别准确率动辄 90% 以上的今天，唇语识别的准确率为什么这么低？
那是因为读唇本身准确率就很低。
很多在听觉上完全不同的声音，在唇部动作上几乎一致。
有经验的专业读唇者，会借助语境、上下文、表情、手势等边缘信息帮助还原语言。
但即使是人类中最为熟练的读唇师，也只能解读 40%-50% 左右的唇语。
准确度这么低，唇语模型有什么用？
最大的应用是为语音识别提供帮助。还记得鸡尾酒会问题吗？如果背景声太过嘈杂，或是多人共同谈话，语音识别的准确率会受到很大影响。唇语识别可以通过定位说话人提供更多语言信息，从而提升语音识别的准确率。