Группа исследователей из Оксфордского университета создала первую в мире программу, способную распознавать речь по губам на уровне целых предложений лучше, чем это делают подготовленные люди.
Как пишет N+1, работа программы основана на использовании нейросетей и методов глубинного обучения. При этом ее создателям удалось решить проблему, с которой сталкивались их предшественники: новый алгоритм способен считывать не только слова и словосочетания, но и целые предложения.
Добиться такого результата ученым удалось при помощи программы LipNet, в основе которой лежит LSTM-нейросеть. Эта нейросеть представляет собой подвид рекуррентных нейросетей, для которых характерно наличие обратной связи. Ее главная особенность заключается в том, что она способна обучаться долговременным зависимостям. Помимо этого, исследователи использовали специальную сверхточную нейросеть (STCNN), которая хорошо справляется с задачей анализа видео, и обучение методом нейросетевой темпоральной классификации (Connectionist Temporal Classification, CTC).
Для обучения программы ученые использовали материала базу данных Grid, в которой было собрано более 32 тысяч видеозаписей. На них 13 человек произносили на английском языке предложения, построенные по одинаковому принципу, но содержащие разные варианты слов для каждой словесной категории. Всего каждое предложение имело по 64 тысячи вариантов.
После того как программа научилась понимать говорящего при помощи 88% выборки Grid, качество ее работы было проверено на оставшихся 12% видеозаписей. В результате исследователи установили, что алгоритм может правильно распознавать речь по губам с точностью в 93,4%. По этому показателю LipNet обошла как другие подобные программы, так и специально обученных людей, для которых показатель распознавания составляет 52,3%.
Однако ученые подчеркивают, что программа была проверена в тепличных условиях, и в случае работы с произвольной человеческой речью точность распознавания по губам может быть значительно хуже.
