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。

倍速播放中0.5倍0.75倍1.0倍1.5倍2.0倍超清流畅

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。