首页 关于我们

作者:量子位 2024/09/12 12:32
叨乐 发自 凹非寺
量子位 | 公众号 QbitAI

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。

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

开发团队

Readtheirlips的开发团队Symphonic Labs是一家初创公司。

领英上显示它今年4月份才刚刚成立,截至目前,公司人数不到10人

他们之前还研发过一款通过阅读唇语即可完成实时文本转录的软件Symphonic

两款软件的试玩链接都已附上,感兴趣的朋友们可以去尝试一下~

Readtheirlips 试玩链接:
https://www.readtheirlips.com/

Symphonic 试玩链接:
https://symphoniclabs.com/

参考链接:
https://x.com/crsamra/status/1833494380357013879

本文来自新知号自媒体,不代表商业新知观点和立场。
若有侵权嫌疑,请联系商业新知平台管理员。
联系方式:system@shangyexinzhi.com