#KAIST开发出视觉语音识别技术#
IT时代网11月15日消息，韩国科学技术院（KAIST）宣布，其研究团队开发出一项“视觉语音识别”技术，可通过分析唇部动作将语音转换为文字，在背景嘈杂或听力受损、难以听清说话内容的场景下提升识别准确度。
该技术由KAIST电气电子工程系Noh Yong-man教授团队研发，相关研究获得自然语言处理领域国际会议EMNLP 2026的杰出论文奖。
唇语识别的难点在于，不同发音的唇部动作往往相近，现有AI模型通常从句首开始顺序解码，一旦首个词识别错误便容易引发连锁误差。研究团队调整了解码顺序：AI先识别可凭唇部动作明确辨认的词汇，再以这些词汇为线索推断其余内容，类似先摆放可辨认的拼图、再填补空白。
研究团队利用433小时的唇部动作视频数据进行训练，该系统词错率降至19.4%，在同类AI模型中处于最低水平。该技术有望辅助听障人士交流，并用于嘈杂工业环境中的语音转写；团队计划进一步缩小模型体积与算力需求，以便集成到智能眼镜、机器人等可穿戴设备中。