EchoSpeech：革命性的沉默语音识别技术

康奈尔大学的研究人员开发了一种名为EchoSpeech的沉默语音识别接口，它采用声学感知和人工智能技术，可以连续识别多达31个未发音的命令，基于嘴唇和嘴巴的运动。这种低功耗、可佩戴的接口可以在智能手机上运行，只需要几分钟的用户训练数据即可进行命令识别。

信息科学博士生Ruidong Zhang是”EchoSpeech：基于声学感知的连续沉默语音识别“的首席作者，该论文将在本月的德国汉堡举行的计算机人机交互会议（CHI）上发表。

“对于那些无法发出声音的人来说，这项沉默语音技术可能是语音合成器的一个极好的输入。它可以让患者重新获得声音，”张说，强调了该技术在进一步发展中的潜在应用。

实际应用和隐私优势

在其当前形式中，EchoSpeech可以用于通过智能手机在不方便或不适合说话的环境中（如嘈杂的餐厅或安静的图书馆）与他人交流。沉默语音接口还可以与触控笔配对，并与设计软件（如CAD）一起使用，显著减少了对键盘和鼠标的需求。

配备了比铅笔橡皮还小的麦克风和扬声器，EchoSpeech眼镜作为一种可佩戴的AI驱动的声纳系统，向面部发送和接收声波，并检测嘴巴的运动。然后，一个深度学习算法以大约95%的准确率实时分析这些回声特征。

“我们正在将声纳技术应用于人体，”信息科学助理教授、康奈尔大学智能计算机接口未来交互实验室（SciFi）主任程张说。

现有的沉默语音识别技术通常依赖于有限的预定义命令，并要求用户面对或佩戴摄像头。程张解释说，这既不实用也不可行，并且还会对用户和他们互动的人带来重大的隐私问题。

EchoSpeech的声学感知技术消除了对可佩戴视频摄像头的需求。此外，根据信息科学教授弗朗索瓦·吉姆布雷蒂埃（François Guimbretière）的说法，由于音频数据比图像或视频数据小，因此需要较少的带宽来处理，并且可以通过蓝牙实时传输到智能手机。

“而且，因为数据是在智能手机上本地处理的，而不是上传到云端，”他说，“因此，敏感信息永远不会离开您的控制范围。”