无声语音接口：为什么射频打败了电极

你正坐在图书馆里，听写应用开着，你刚对着笔记本无声地把同一封邮件默念了四遍，活像个疯子，因为大声说出来，整层楼的人都会盯着你看。无声语音接口正是为这种时刻而生：它能解码你默读的词语，甚至只是解码你想要默读的内容，全程身体不会发出任何声音。一批新兴创业公司押注，AI时代缺失的输入设备不是更好的麦克风，而是根本不需要麦克风。

这个想法比当前这波演示看起来的历史更久。NASA的研究人员在本世纪中期就开始尝试气声识别（subvocal recognition），最初是为了在嘈杂或穿着加压服的环境中工作的宇航员和机组人员。2018年，MIT媒体实验室凭借AlterEgo让它广为人知，那是一款可穿戴头戴设备，能采集下颌和面部的神经肌肉信号。最近的变化不在于概念本身，而在于廉价的射频硬件、更好的机器学习，以及语音AI的突然普及，三者汇合，让工程实现变得几乎可行。几乎。这里的信噪比问题极其棘手，团队如何解决它，决定了最终产品的一切。

无声说话：Subvocalization 到底是什么

有个术语值得先弄清楚，因为这个领域常把三种不同的东西混为一谈。第一种是默读发音（mouthing）：嘴唇、舌头和下颌完整发音，只是不出声。第二种是内部语音（internal speech）：嘴唇闭合，但舌头和软腭仍然有意识地运动，仿佛在组成词语。第三种才是真正的Subvocalization，即你阅读或思考文字时发生的微弱、非自主的肌肉激活。最后这种是科幻版本，在实验室之外几乎无法检测。目前可用的产品都集中在前两类。一个开发射频感应眼镜的团队把他们的目标行为描述为「闭着嘴唇默念」，这是一种奇怪的混合形态，用户似乎几次使用后就能学会。

作为一个语言学爱好者，我觉得这里的语言学很有意思。发音是大脑运行的一套运动程序，不管声带是否振动都会执行。发声只是言语产生的一个阶段，即喉部为声音添加能量的那一步。把它去掉，上游的整套动作依然存在：元音的舌位、唇形的圆展、鼻音的软腭控制。无声语音接口本质上是在试图从这套动作的残余信号中重建音素序列，就像看着钢琴家的手指在无声的钢琴上，推断出旋律。说白了，这是从内部进行的唇读。

这个框架很重要，因为它告诉你传感器到底该测量什么。没有人在读你的心思。每一个成功的系统都依赖发音的某种物理关联量，比如电信号、组织运动或反射的能量，而选择追踪哪一种关联量，就是决定性的工程决策。

EMG：看似显而易见、实则坑人的传感器

几乎所有人都从肌电图（EMG）开始，因为它的逻辑太有吸引力了。肌肉收缩是因为运动神经元在细胞膜两侧释放电位；把电极贴在对应肌肉上方的皮肤上，就能看到这个过程。表面肌电是成熟技术，几十年来，假肢一直通过残余肌肉信号来控制。对于周末黑客松来说，你完全可以把电极贴在脸上，接入放大器，然后得到一个大致与默读字母对应、时隐时现的信号。不少无声语音原型都是这样做出来的，包括如今很有名的MIT AlterEgo，据说还有现在做射频眼镜的团队最早那个粗糙的尝试。

然后现实就来了，失败模式一个个出现，令人沮丧地可预测：

• 出汗。皮肤导电性会随着出汗而漂移，所以同一个默读词语在上午9点和午饭后看起来完全不同。你的校准在你脚下不断失效。
• 电磁干扰。面部肌电信号处于微伏量级。附近的电力线、你笔记本的开关电源，甚至眨眼，都可能淹没它。
• 贴放位置的变动。电极位置偏移两毫米，就会改变主导读数的肌纤维。摘下设备再戴回去，昨天训练的模型测量的已经是另一个略有不同的人了。
• 外观上的致命伤。没人愿意在公共场合脸上贴着导电凝胶电极。这听起来无关紧要，但它照样扼杀了这条路线。

最后这一点值得重视。消费级硬件更多是败在使用摩擦上，而不是物理原理。可穿戴设备的历史就是一座墓地，埋着那些在实验室里能用、却要求用户多走一步的产品。骨传导耳机、胸带式心率监测器、脑电头带，技术上都站得住脚，却都只是小众产品。当你的传感器需要每天给皮肤做准备时，你做的其实是医疗器械，而不是输入外设。

射频感应：从内部读取口腔动作

如今越来越受关注的方案，用射频取代了电极。原理是：嵌在眼镜框架里的天线发射低功率无线电波，频段接近蓝牙，穿透你的面部。当波穿过运动的组织（舌头、嘴唇、软腭）时，它会以微小而有结构的方式被调制。接收天线捕获被扰动的信号，神经网络学习把这些扰动映射回文字。它与基于Wi-Fi的手势感应属于同一类物理原理，也和谷歌放进Pixel 4用于手势识别的雷达相通，只不过这次瞄准的是更细微的目标。

射频的优势在于，它能看到摄像头和皮肤电极看不到的东西。嘴唇一旦闭合，舌头从外部就不可见了，但它是一块含水丰富的大块肌肉，无线电波与之有强烈的相互作用。嘴唇闭合的内部语音，也就是人们在会议上真正想要的那种低调模式，只能通过这种穿透组织的方式才能触及。整个产品论点可以用一句话概括：肌电和摄像头捕捉的是发音的外部，而射频捕捉的是内部。

要做到这一点，工程难度不小。你想要的信号是叠加在载波上的微弱调制，因此整个射频前端必须具备极低的噪声水平。天线放置本身就是一道硬核优化题：电磁场必须与发音器官最大程度地重叠，这意味着框架设计需要大量仿真，天线位置偏差几毫米，系统能听到的内容就完全不同。目前这款眼镜原型的团队承认，他们第一次尝试把天线集成进眼镜时完全失败，于是退回到把天线贴在脸上，接着又用刚性头部夹具来固定几何结构，直到仿真工作把框架调对为止。从胶带到夹具再到产品，这一演进过程就是真正能量产的硬件的诚实发展史。

摄像头与超声：陪跑者，但各有利基市场

摄像头路线，即视觉唇读，拥有最深厚的研究根基。LipNet多年前就展示了从视频进行端到端的句子级唇读，而开源项目也不断用网络摄像头和人脸追踪器复现这一技术。它是能想象到的最便宜的传感器：你已经拥有三个摄像头了。但它继承了一个残酷的限制：它只能看到脸部的外部。嘴唇闭合的内部语音从定义上就不可见，光照和头部角度不断破坏输入，而且整天对着自己的脸拍摄，会带来永远无法消除的隐私和电量成本。唇读作为音频语音识别的增强手段依然出色，在噪声环境中，视听模型确实优于纯音频模型，但作为独立的无声接口，它只能停留在「明显在默读」的那一端。

超声则占据了一个更奇特的中间地带。学术界的系统把超声换能器对准下颌，通过回波重建舌头的运动；而舌部超声成像本身就是语音学研究中的标准工具，几十年来正是靠它观察元音是如何发出的。感知效果很好，但形态因素并不理想。目前还没有人想出如何把一个贴在下巴上的超声探头封装成你会在站会上戴的东西，而且声波通过空气的耦合损耗大、对角度敏感。在我看来，超声是临床言语治疗和语音学实验室的正确答案，却是消费级输入的错误答案。

如果你要打分，权衡对比大致是这样的：

• 肌电（EMG）：直接获取肌肉信号，带宽不错，但被汗水、漂移、贴放位置以及需要在脸上戴电极所毁掉。
• 摄像头唇读：零硬件成本，模型成熟，但对闭嘴语音视而不见，对光照很脆弱，还有隐私问题。
• 超声：直接成像舌头，但耦合方式与形态因素使其只能是实验室仪器。
• 射频穿透面部感应：透过皮肤感知内部发音器官，可嵌入眼镜，但需要一套特殊的低噪声射频技术栈，以及海量训练数据。

信噪比难题，和听写难题根本不是一回事

很多人第一次听说这类设备时，都会犯一个概念性错误：以为这就是去掉空气的语音识别。其实不是。音频听写依托的是大自然为交流而设计的信号，即几十分贝清晰的压力波，经过进化塑造，能把音素传到整个房间。ASR的难点在于口音、词汇和噪声抑制。信号本身是相当慷慨的。

无声语音感应则恰恰相反。载波，无论是微伏级的肌电，还是微弱的射频调制，从来就不是为编码语言而生的。音素信息被抹散在各个传感器通道中，没有清晰的映射关系，而干扰源是生理性的，而非声学的。吞咽、咬紧下颌、转头、摸脸，每一个动作都会引入瞬时干扰，其幅度可能远超发音信号本身。ASR系统对抗的是嘈杂的房间，而无声语音系统对抗的是你自己的身体。你本身就是噪声底。

由此产生两个后果。首先，这类系统比听写更依赖语言建模。当传感器对某个音素的证据含糊不清时，解码器会借助你可能想说什么的先验知识来消歧，这与让约束解码能把模糊的模型输出变成可靠决策的原理相同。可以预期，无声语音系统在可预测的文本上（命令、符合你个人语气的邮件）会表现得出奇地好，而在生僻词、人名和代码标识符上明显更差，因为先验知识无法挽救微弱的信号。其次，校准是结构性的，而不是偶然的。音频ASR在几十年前就已经能跨说话人泛化，因为波形就是波形。但面部射频特征不是，这就引出了该领域最难的问题。

每张脸都是一道不同的天线难题

跨用户泛化是无声语音原型的葬身之地。面部解剖结构（下颌长度、舌头大小、组织密度、皮肤厚度）差异极大，而每一个变量都会重塑信号。在我脸上训练的模型，在你脸上可能几乎毫无用处。早期肌电文献里充斥着这样的系统：报告「按人、校准后」准确率很高，这个限定条件悄悄地埋葬了产品。一个需要每个用户先训练一小时才能工作的设备，只是研究演示，而不是外设。

我觉得当前射频项目真正有意思的地方在于：他们先尝试了巧妙的路线，比如算法域适应、信号归一化等技巧，最后得出结论，唯一有效的杠杆是暴力的大规模预训练。于是他们在办公室里搭建了录音隔间，付钱请人戴着眼镜朗读提示语，然后看着错误率随数据集增长沿着清晰的规模曲线下降。据报告的结果是：新用户只需大约二十句校准语句，系统就能工作得很好。这个数字比任何准确率指标都重要。二十句是可以接受的入门流程；一小时的读数则会让人直接退货。

这正是机器学习领域不断重复的教训：当模型无法泛化时，答案通常是更多样化的数据，而不是更巧妙的架构。我们在语音识别中见过这一幕，在低资源语言的机器翻译中见过，也在每个输入分布因用户而异的领域中见过。无声语音只是面临着格外棘手的逐用户分布偏移，因为它的「麦克风」有一部分就是用户自己。

无声语音真正的优势所在

剥去新奇的外衣，应用场景会自然排出清晰的层级。居于首位的是无障碍。有一类人，比如患有重复性劳损、面临双侧腕管手术的开发者，或是重返开放式办公室、在那里听写在社交上不可行的人，对他们来说，这不是个玩具，而是能不能正常工作的分水岭。喉切除术患者，以及因渐冻症等疾病而丧失言语能力的人，则是同一故事更深刻、更重要的版本。任何诚实的技术评估都应该对此给予足够重视。

第二是嘈杂环境，这一点反而有些违反直觉。一种完全不依赖声学的感应方式，不会在乎你身边的割草机、服务器机房或工厂车间。语音在这些场景里恰恰会失效，而射频感应对此毫不在意。第三是低调使用：在图书馆、开放式办公室、火车上听写。这是主流消费级的卖点，确实有价值，但我要指出，它是三者中最弱的一个，因为它更像是一种社交舒适性功能，而不是能力上的突破。

关于权衡，我的立场是：只有当推理可以在设备端完成，或至少支持离线运行时，这项技术才配得上它的形态。一个在你闭着的嘴里追踪舌头运动、并把原始数据流式传到云端API的传感器，是任何人都不该接受的隐私架构。那些担心非自主信号泄露的评论者有正当的顾虑，即便其中一些更具推测性的担忧有所夸大。好消息是，解码模型足够小，可以在本地运行；这个领域最好把离线优先设计当作基本门槛，而不是高端功能。唤醒词之类的机制同样重要：眼镜在开始监听之前，需要一个明确的、物理的意图信号（比如一个手势或特定的咬合模式），否则你做出的就是一个会把你每一个无意识的嘴部动作都转写下来的可穿戴设备。

这里还有一个我忍不住想提的历史回声。19世纪70年代的电报员学会通过听继电器的咔嗒声来读取电文，那是一个没人设计过的输入通道。接口的历史充满了这类侧信道，一旦有人构建了解码器，它们就成为一等通道。气声肌肉的细微活动，是阅读和思考时的侧信道，只要人类有内心独白，它就一直在无意中泄露。把它变成输入设备，与其说是发明，不如说是晋升。而如果规模曲线能够持续，图书馆里最安静的那个人，或许很快就会是打字效率最高的人。