小時候看特務電影時，特工們往往有一項必備的技能，就是隔著幾百米遠盯著正在說話的物件，從嘴型判斷出對方在說什麼。有了這種記憶，導致如今看什麼語音識別技術都覺得相當一般——我都說出聲兒了你才聽懂，算什麼AI好漢。
不過最近一項專利申請表明，微軟正在向特工學習，推出了無聲語音識別技術。當AI也能像特工一樣，無聲之中辯人言，我們的世界究竟會有什麼不同？
除去脣語識別，AI還有什麼方式悄悄聽懂你的話？
說起無聲語音識別，可能很多人第一反應就是複製人類的方式，利用影像識別進行辯讀脣語。而利用脣語進行語音識別這種方式也由來已久，但是識別的準確率一直不算高。DeepMind曾在2016年做過測試，經過1萬小時的新聞視訊訓練，AI脣語準確率達到了46.8%。國內有一家企業曾經提供過相關資料：在對中文新聞視訊的識別中，準確率達到了70%。而搜狗所推出的駕駛場景下的脣語識別，因為涉及到的詞彙量很少，準確率能夠達到90%。
可以發現，相比現在主流語音識別動輒95%、97%的準確率，脣語識別準確程度實在是有些拿不上臺面。對於中文這種一字一音節的語言來說還好，對於英文這種連音很多的語言來說，脣語識別要跨越的門檻確實不少。
另一方面來看，脣語識別所涉及到倫理問題實在過於嚴重。脣語識別的“射程”太遠，如果這種技術真的發展成熟，意味著天網之下的我們在交談時將再無隱私。在隱私焦慮越來越濃的今天，哪家企業公開研究這項技術，只怕是覺得自己家的公關部門過得太清閒。
因此包括微軟在內的產業和學界，都在尋找一種更精準也更隱私的無聲語言識別。目前看來，無聲語音識別的技術方向可以被分為兩個“派系”，一是“氣宗”，另一個是“電宗”。
微軟所提交的專利，就是典型的“氣宗”——在終端上新增感測器，通過感知使用者說話時的氣流來判斷使用者說話的內容。這種終端如同一隻小型麥克風，置於使用者嘴邊，使用者在說話時形成的氣流會在裝置中形成反射，經過訓練，可以將這些氣流反射的訊號和文字一一對應。
而“電宗”則更加神奇，我們知道人在說話時需要調動整個下半張臉的肌肉，不同的文字發音所調動肌肉的方式也並不相同。通過對面部EMG（肌電）訊號的採集，來學習人類說話時面部EMG訊號特徵，並通過神經網路的訓練將EMG訊號和文字對應起來。
可以看出這兩種無聲語音識別都有一個共同的特點，那就是自主性和私密性。不管是EMG訊號採集還是氣流採集，都需要在講話者身上佩戴好裝置，而不是像影像技術一樣，能夠在遠端且講話者不知情的情況下進行採集分析。
無聲語音識別變成真·氣功？
不論是氣宗還是電宗，這些無聲語音識別技術都面臨著同樣的問題——既然要使用者把話說出來才能進行識別，那為什麼不直接應用語音識別來進行文字轉換和翻譯，非要弄一些和“氣功”一樣沒有切實應用場景的花招？
其實無聲語音識別的應用，可能不像大家想象的那樣廣泛，它既不能以最高效的方式幫助聽障人士，也不允許被應用於監聽等等工作。但在一些關鍵場合下，無聲語音識別卻可以發揮出奇用。
我們可以一起開動腦筋，想想在哪裡人們需要說話，但卻聽不到彼此的聲音。答案很簡單，要麼是在聲音無法傳播的地方，要麼是在一些特別嘈雜的地方。於是無聲語音識別就有了如下的應用場景：
災害現場、艙外探索、水下作業……
在這類場所中，人們或許為了躲避被汙染的空氣、或許為了呼吸氧氣，都會穿上類似生化服、宇航員服等等特殊服裝。穿上之後既看不到對方的表情，也聽不到對方的聲音，更沒辦法用語音互動去控制其他裝置了。同時環境情況（例如氧氣不夠充足）往往不允許人們以正常的聲音說話，加上防護服的封閉狀況會引起聲音的迴響，以往的有聲語音識別在這種情況下很難發揮作用。
這時可以被安置在防護服內部的無聲語音識別就顯得很有價值，講話者只需要做出口型就能向外界傳遞資訊。
除此之外還有嘈雜的馬路、工廠車間、機場……
在這些場所中，想要讓對方聽清自己的聲音，往往需要扯著嗓子吼。想讓語音識別準確拾音，更是難上加難。這時利用無聲語音識別就會輕鬆很多，不僅可以準確表達資訊，也能讓一些處於這種場合的工作人員戴上隔音耳塞保護自己的聽力。
實際上目前在歐洲一些型號的戰鬥機中，就因為機艙內噪音巨大、飛行員之間無法溝通，已經應用上了EMG訊號無聲語音識別技術。
當然，目前相比語音識別技術、甚至相比脣語語音識別，無聲語音識別技術的發展階段還很初級，應用效率也不高。
實際上無聲語音識別是一項典型的“美好而無用”的AI技術，它既完美體現了一系列技術的排列組合，例如EMG訊號無聲語音識別所體現出的AI與神經學的結合；又在應用上極大程度的受限，即使在一些聲音難以傳播的場景下，也要考慮計算條件、識別語音後資訊再傳遞的媒介，更不用提複雜的資料收集工作了。
但我們有理由相信，在未來AI技術越來越普及化、應用成本越來越低時，總會出現一些極端場景應用上這些看似無用的技術——也許未來有一天，戰鬥機的控制也要應用上語音互動呢？