牛津科學家讓人工智慧看電視學習讀唇,準確度比人類更高

牛津大學的科學家與 Google DeepMind 人工智慧部門合作,藉助 BBC 提供的新聞報導片段,成功讓人工智慧系統學會「讀唇」,就是在沒有任何聲音的情況下,通過嘴唇的形狀及動作識別出背後的話語。雖然準確率只有 50%,但考慮到專業的人類唇讀者12%的準確率,人工智慧顯然又一次勝過了人類。

(圖:Doctoroz)

為了協助開發這套系統,BBC 提供了大量新聞片段和對應的字幕。然後,研究者在一個人工神經網路(Artificial neural network)中整合了最先進的圖像和語音識別技術,利用新聞片段,讓系統開始學習讀唇。

 

語境分析

科學家稱這個人工智慧系統為「觀察-專注-拼讀」(Watch, Attend and Spell)。步驟看起來似乎很簡單,然而讓人工智慧學會唇讀並非易事。牛津大學工程系博士研究生 Joon Son Chung 解釋,英文中有些發音,如 mat,bat,pat,唇形極其相似。這種情況下,無論是專業的唇讀者,還是人工智慧,借助的都是上下文語境。

實際上,人工智慧所學習的,是分析同時出現的訊息,即唇形、詞語以及後文緊接著出現的詞語。由於系統學習的是新聞語言,現在已可以輕鬆地識別出「Prime」後面總是接「Minister」(首相),「European」後面接「Union」(歐盟)。但對於新聞主播不常使用的辭彙,系統識別起來仍然有一定的難度。

人工智慧透過觀察新聞片段學習讀唇(圖:BBC)

 

優勢明顯,但仍需較大改進

如前所述,雖然系統目前準確率高於人類,但仍然有缺點,其中之一便是準確率。科學家表示,增加系統的準確率將會是他們未來最主要的研究目標。

此外,系統目前只能對錄製好的完整句子進行唇讀,無法即時運行。Joon Son Chung 表示,他們希望讓系統學會即時唇讀,不過,這個挑戰的難度其實比提高系統準確率較低。

 

幫助失聰人士

雖然離實際應用還需進一步的改進,但失聰人士援助團體 Action on Hearing Loss 已表現出極大的關注。技術研究經理Jesal Vishnuram稱,人工智慧唇讀技術可以提高語音到文本的轉化速度和準確率,幫助聽障人士觀看電視,或者在嘈雜環境中聽清聲音。

牛津大學和慈善組織一致認為,人工智慧唇讀技術不會取代人類唇讀者。但在很多情況下,它將會成為輔助工具,提高人類唇讀者或語音識別技術的效率和準確性。

 

(本文經明日科學同意授權轉載「牛津科學家讓人工智慧看電視學習讀唇,準確度比人類更高」)

 

如需轉載、引用本篇文章,請先與我們連絡呦!
每一個都是支持「工業技術研究院」持續創作的能量!感謝您!!
※文章內容為作者個人觀點,不代表本站立場

關閉

手指凌空動一動 萬物皆為你所用

1960 年代計算機問世以來,人類與機器的互動,從鍵盤、滑鼠、搖桿、觸控、光學辨識手勢、語音輸入,一直在找尋更前瞻的破壞式創新,新的創新已經嶄露曙光,下一世代人機溝通的關鍵技術是肌肉的感測,只要戴上手環,不管是勾手指、握拳、立手掌,都可以成為操控的手勢,遙控各種機械設備更輕鬆。

閱讀更多 »

大海撈針的技術

假設你是一個農業專家,花了很多的時間培育出一種特別的果樹,這個果樹的特別之處乃是在於它比較不怕某一種植物的傳染病。這個品種當然是非常有價值的。

閱讀更多 »

第三波人工智慧浪潮席捲全球

人工智慧(Artificial Intelligence)現已成全球產業界最熱門的議題,縱觀其發展史,堪稱三起三伏;當下的熱潮,實為第三波人工智慧浪潮。

起源於1943年的人工智慧,第1波浪潮起於1956年,迄於1974年,而在1974年至1980年間,陷入了第1個低谷。第2波浪潮起於1980年,迄於1987年,而在1987年到1993年間,陷入了第2個低谷。而自2010年以降,第3波人工智慧浪潮日益洶湧,迄今仍方興未艾。

閱讀更多 »
close-link