明敏 发自 凹非寺
量子位 | 公众号 QbitAI

还记得冬奥会期间和朱广权battle的AI手语主播吗？

现在，这样的手语数字人不仅要在小荧屏上工作，还能到火车站、银行、医院这些公共场所上岗了。

喏，通过这样一台看似普通的机器，AI手语数字人就能实时将语音或文字转化为手语，让听障人士与窗口工作人员无障碍沟通，词准率在96%以上。

这就是百度智能云曦灵刚刚推出的AI手语一体机，它能够直接部署在各种服务窗口，成为工作人员的实时翻译官。

其背后支持平台——AI手语平台也同步发布，它能进行实时手语直播，还可搭载在各类 APP、网站、小程序中，生成手语合成视频。

在发布会现场，我就感受了一下这位AI手语主播的功底：

这手速，amazing~

线下虚拟手语翻译官来了

此次推出的AI手语一体机，共有两个型号：V3和P3。

其中，全离线一体机 V3型号支持插电即用，可实现秒级部署；

端云结合一体机 P3型号联网可用，能实现分钟级部署。

也就是说，这个一体机能够充当工作人员的翻译官，实时把信息传递给前来办理业务的听障人士。

在发布会现场，百度还透露，不只是单向将语音转化为文本，在如何将手语转化为文本或语音的问题上，百度也在积极开展研究。

而能够搞定银行、医院、火车站等场景下的手语翻译，核心技术来自百度智能云曦灵的AI手语平台。

它主要包含以下4方面功能：

视频手语合成、直播手语合成、文本转手语、语音转手语。

以直播情况来举例，平台可以直接接入直播地址，读取语音后转换为手语。

当然也能读取语音进行翻译，类似于微信语音输入后转文字。

这背后的流程主要可以分为3步：

首先，要通过语音识别引擎将输入的语音或视频转换为汉语文本；

然后，翻译引擎要将其进一步转换为手语码；

最后根据手语码，数字人动作融合算法来完成最后的视频合成。

整个过程中还需要保障语音识别清晰度、手语翻译准确度及精炼度、手语动作流畅度。

识别清晰度方面，百度使用了SMLTA语音识别算法模型。

该模型是一个流式多级的截断注意力模型，它使用CTC（一种语音识别算法）的尖峰信息对连续语音流进行截断，然后在每一个截断的语音小段上进行当前建模单元的注意力建模。

也就是把原来的语音中整句Attention建模，变成了局部语音小段的Attention的建模。

最终实现了在手机端近场语音识别率98%以上的效果。

百度表示，基于百度自研的深度学习算法，还可针对诸如旅游、医院、司法等不同领域的词准率进行针对性训练，词准率可达96%。

翻译准确度及精炼度上，百度研发了首个基于神经网络的精炼度可控手语翻译模型。

这是一个能将中文文本准确翻译成手语符号的模型，并且可以在保证手势准确度的情况下，进一步缩短译文长度，让文本信息能够及时转化为手语。

为此，百度还在专业手语专家指导下建设了大规模自然手语翻译语料库，使得模型可以从真实数据中学习手语翻译知识，从而生成符合听障人群习惯的自然手语。

最后则是手语流畅度方面。

AI手语平台通过“动作融合算法”，基于《国家通用手语词典》规范精修近11000多个手语动作，让每一个动作都更接近真人手语表达。

再配合4D扫描技术训练，最终AI手语数字人口型生成准确度可达98.5%。

百度介绍，只需几小时的部署，AI手语平台即可在视频、直播、文本、语音等应用场景中添加手语翻译，可搭载在各类 APP、网站、小程序中。

让特殊人群“更加平等享受资讯”

目前我国听力语言残疾人达到2780万以上，而专业的手语翻译不足1万人，巨大的需求缺口亟待补足。

尤其像在医院、车站等场景下，需要工作人员和听障人士无障碍实时沟通、准确传递信息。

或许有人想问，那用文字不就行了吗？

实际上，由于种种现实因素的制约，比起文字，手语对听障人士而言更加亲切，也能更快速地传递信息。

手语翻译对于特殊人群而言，也是一个“更加平等享受资讯”的窗口。

发布会上，百度集团副总裁吴甜表示：

人工智能呈现融合创新和降低门槛的新特点，综合运用多技术的数字人带来新体验，AI加持使数字人制作和运营成本与门槛降低，AI手语平台将让更多听障人士享受科技带来的便利。