動腦不動口腦機來幫忙

文/腦極體

很多人都知道霍金擁有一臺極高科技含量的輪椅，能在無法動彈或者言語的情況下，合成語音，以與外界進行交流，甚至還因此著書立說?！?/p>

但也可能有很多人不知道這臺輪椅是如何工作的。其實霍金一開始可以用手指來敲打鍵盤輸出文字，但隨著病情的加重，手指也無法動彈。于是相繼采用過眼球跟蹤和腦電波識別的技術，但最終由于病情的加重而放棄。

后來的霍金是戴著一副安裝了紅外探測器的眼鏡，通過識別臉頰的一塊兒肌肉運動，來代替原來的按鍵。

至少在霍金在世的時候，他采用的已經(jīng)是世界上最先進的語音合成技術。但科技的進步往往神速而出乎意料，如果霍金多活幾年，他連動“肉”的勁兒都省掉，直接動動腦子，就能合成語音了。

因為，腦機接口技術又搞了個大事情。

讓腦電波開口“說話”的前夜先來打個字吧

以腦機接口的方式捕捉大腦電波，然后實現(xiàn)打字的目的，再進行語音合成輸出，并不是一個很難的課題。

去年世界機器人大會上，清華大學研發(fā)的“動態(tài)窗穩(wěn)態(tài)視覺誘發(fā)電位腦機接口系統(tǒng)”就“主導”了一場通過腦機接口來打字的比賽。參賽者們只要在頭上戴上相關設備，將注意力集中到電腦屏幕上的虛擬鍵盤中的字母上，腦電波就會被捕捉，然后將對應的字母顯示出來。

字母打得多了，字也就打出來了。

這種方式和對霍金的一小塊兒肌肉進行捕捉原理上基本沒有差別，都是通過捕捉人對字母的強烈反應而實現(xiàn)語言的輸出。不同之處在于，霍金由世界頂尖科技團隊開發(fā)，可以采用單詞聯(lián)想的方式提高打字的效率。

這種方法聽起來確實很高端，但也存在一定的不足。

第一，打字的速度較慢。英語還好一點兒，只要字母拼全就完成了打字的過程；而漢語還需要進行轉化，遇到同音詞還需要進一步進行選擇，這就需要進行二次腦電波捕捉。逐字的打字方法令其在單位時間內(nèi)能夠打出的文字相當有限。

第二，對參與者的精神集中有要求，而且抗干擾較弱。腦電波是非常敏感而且活躍的。一方面人如果注意力無法高度集中，系統(tǒng)就將很難對字母進行定位；另一方面人的大腦在看到字母的時候往往會不由自主地產(chǎn)生聯(lián)想，比如看到“c”會想到“copy”或者“car”等詞，這也會對系統(tǒng)識別產(chǎn)生干擾。

正常人想要順利打個字都極度耗費體力，就更不要說那些身患阿爾茲海默癥或者其他病癥導致無法言語的病人了?；艚鹬皼]有采用類似的方案，就是考慮到無法承受如此的體力消耗。

當然，個人認為這種方案雖然目前僅僅還停留在科技“趣聞”或者“獵奇”的階段，但其本身是一種突破性的。它的意義并不在于有多好用或是取得了多少實際的效果，而是在于探索出了一條腦機接口的新的道路。至少讓人們看到，通過腦機接口來實現(xiàn)“意念”輸出文本甚至是語音輸出是完全可行的。

而這種可行性，被加州大學舊金山分校的一項研究成果進一步證實并且加強。

把腦電波合成為語音，總共分幾步？

加州大學舊金山分校的神經(jīng)科學家的解決方案是從解剖學的角度出發(fā)，模擬真人發(fā)音時大腦發(fā)出的口腔喉嚨肌電信號對發(fā)音系統(tǒng)的調(diào)動，比如在發(fā)“啊”這個音的時候，嘴唇、下巴、舌頭和喉嚨以及其他成分的動作，然后合成相應的語音。

那么，要把腦電信號合成為語音，總共分幾步呢？

第一步，樣本收集。研究者讓5名完全健康的志愿者在UCSF Epileps接受了一項外科手術，在其大腦中臨時植入了一塊電極。接下來，志愿者被要求大聲朗讀指定的數(shù)百句話。在朗讀的過程中，科學家記錄了不同語言文字在朗讀過程中在大腦區(qū)域內(nèi)的活動信號。

第二步，破譯信號。通過循環(huán)神經(jīng)網(wǎng)絡（RNN）的不斷學習，研究者將大腦神經(jīng)信號轉換成了發(fā)音器官動作的信號，這些信號與發(fā)音器官的動作直接相關，比如嘴唇、下巴、舌頭、喉嚨等。

第三步，虛擬聲道。虛擬不同聲音所產(chǎn)生的聲道運動，就像漢語中雙唇音、唇齒音、舌尖中音等所需要調(diào)動的不同發(fā)音部位一樣，正常來說，如果模擬的發(fā)音運動模式和人正常說話時一樣，那么所發(fā)的音也一定是一樣的。

最后一步，就可以進行語音輸出了。

為了測試虛擬語音的流暢性，研究者們在亞馬遜的任務眾包平臺Mechanical Turk上招募聽眾來對這些合成語音的325個單詞和101個句子進行辨認，結果大部分的單詞和句子都被人們成功識別。

這意味著，不用動嘴，通過腦電波來實現(xiàn)語音輸出，完全是有可能的。這對于中風、腦損傷或其他疾病而導致的語言功能障礙的輔助，將具有里程碑式的意義。

技術落地尚遠“腦機”仍需努力

相較于“字母表模式”，這項研究的優(yōu)勢是顯而易見的。

首先，語音合成速度會得到大大提高。字母表模式下，比如通過眼動或者肌肉塊兒的捕捉，每分鐘能成功輸出10個單詞左右。對于正常交流而言，一分鐘說10個字，一方面的確很不便，另一方面確實很考驗人的耐心。而通過聲道模擬語音，每分鐘輸出的單詞可以達到150個，這與自然語言中每分鐘100-150個單詞已經(jīng)幾乎沒有差別。實現(xiàn)正常人般的交流，可以說毫無壓力。

其次，相較于捕捉大腦信號對字母的感應，語音產(chǎn)生的機電信號更為強烈，也就更容易捕捉。所以，這在很大程度上可以緩解因信號識別緩慢而導致語音合成效率低下和患者焦慮的問題，更進一步而言，也增加了患者的接受度。

當然，作為一項尚未走出實驗室的技術，它的缺陷也明顯存在。

第一，人工智能識別的準確率和數(shù)據(jù)的豐富程度呈正相關。也就是說，利用RNN去進行學習破譯腦電波信號并將其轉化為發(fā)音器官動作的信號，要想實現(xiàn)較高的正確率，就需要大量的數(shù)據(jù)。目前的現(xiàn)實是，雖然語音輸出的速度很快，但也只有一半的句子會被識別出來。就像說話的時候嘴里含著一口水，必然是會影響交流的感受和效率的。

第二，不同語言、不同方言之間的通用性很弱，即便是同一種語言，由于方言的差異性也會導致發(fā)音的時候各部位的運動存在著細節(jié)性的發(fā)音差異，會導致語音合成的混淆。比如在漢語中“六”的發(fā)音，不同地域之間的差別達到了二十多個。為一種語言建立一種樣本？似乎有點過于繁瑣。

所以，如果能找到一種更好的方法能夠增強該技術的通用性尚可，如果僅僅停留在這個層面，其產(chǎn)品很可能無法走入尋常百姓家，而是成為顯貴人群的私人訂制。

研究者們自己也承認，聲道運動和語音的最終形成是一個復雜的關系，目前該系統(tǒng)對合成較慢的發(fā)音比較擅長，對說話者的節(jié)奏和語調(diào)有一定的要求，距離最終的應用，仍然是有很長的一段路要走。

但不管怎樣，這也應該屬于腦機接口技術的一次重大突破了。試想在不遠的將來，你只需要動動腦子，就會有準確無誤的文本或者語音轉化出來，人機交互將會變得多么順暢而自然；而對于那些長期存在語言表達障礙的弱勢群體而言，或許“福音”二字，已經(jīng)遠不足以表達其所蘊含的難以估量的價值。