不需要发出任何声音，只要做出说话的动作，AI就能“听懂”你说了什么。

这不是科幻情节，而是韩国浦项科技大学研究团队刚刚发表的一项同行评审研究成果。他们开发了一款可穿戴颈圈设备，通过捕捉说话时喉咙肌肉的细微运动，结合人工智能实时解码，在完全无声的状态下重建用户的语音内容。在高达90分贝的噪声环境下，该系统的识别准确率仍能达到85%。

90分贝大概是什么概念？大致相当于站在行驶中的摩托车旁边，或者距离电锯几米远的地方。

喉咙里的“隐形语言”

人在说话时，即便没有发出声音，喉咙和颈部肌肉也会进行一系列复杂的协调运动。每个音节、每个词，都对应着特定的肌肉收缩模式，就像一套隐藏在皮肤下面的密码。

这套密码一直都在，只是此前没有足够精确的传感器能够稳定捕捉它。

浦项科技大学的解决方案，是一种他们称为“计算机视觉光学应力传感器”的新型装置，缩写为CVOS。这个传感器嵌入一个柔软的硅胶颈圈中，内部配有高对比度微标记图案、微型摄像头、镜头和LED照明系统。当颈部肌肉运动时，硅胶材料随之形变，摄像头捕捉微标记的位移，从而精确计算出肌肉运动的大小和方向。

关键在于，CVOS捕捉的是二维应力图，而不是单一方向的形变数据。这意味着它能够记录肌肉运动的完整空间信息，而非仅仅感知“有没有动”或“动了多少”这类一维信息。研究团队报告，该传感器的计指数高达3625，具有极低的迟滞性和良好的线性响应，在超过一万次使用循环后性能依然稳定。

简单来说，这个颈圈能感知到你喉咙里极其微小的动作，而且感知得相当准确。

AI怎么把肌肉运动变成文字

新系统由一个可靠的多轴应变传感器组成，具备实时自适应语音解码和重建功能（图片来源：浦项科技大学机械工程系朴成民）。

传感器捕捉到的是物理信号，把它变成可理解的语言内容，靠的是一套AI驱动的解码管道。

系统的工作逻辑分为两个层次：一是识别局部的肌肉运动特征，对应具体的发音动作；二是在更宏观的层面识别语音模式，将这些动作序列组合成完整的词汇输出。

目前，这套系统专注于识别北约音标字母表，也就是Alpha、Bravo、Charlie这套从军事通信中发展出来的标准化26词系统，设计初衷是在嘈杂或信号干扰的环境中减少听错的可能性，每个字母用一个完整单词代替，避免歧义。

选择从这个词汇集入手，是一个务实的决定。它覆盖了字母表的全部26个发音，同时在军事、航空、紧急救援等高噪声专业场景中具有直接的实用价值。

更值得注意的是训练数据的需求量。系统只需要大约10分钟的用户录音语音样本，就能完成个性化适配，重建出该用户独特的声音特征。这个数字比多数人预期的要低得多，对于实际部署来说是个重要的可行性指标。

谁真正需要这项技术

研究团队在论文中强调了两类核心应用场景，它们代表着截然不同的需求，却指向同一种解决方案。

第一类是极端噪声环境下的专业通信。建筑工地、军事行动现场、消防和应急救援场景，这些地方的工作人员长期面临一个共同困境：环境噪声大到普通通话设备根本无法正常工作，而依赖手势或书面沟通又严重限制了操作效率。现有的替代方案，无论是骨传导耳机还是喉部振动传感器，在极端噪声下的表现都有明显局限，而且部分设备在长期佩戴时存在不适感。

该系统在模拟步枪射击场景的测试中依然保持了稳健的识别表现，这个测试场景的选取本身就说明了研究团队的目标用户画像。

第二类应用场景或许更触动人心：失去语言能力的患者。喉切除术是治疗喉癌的常见手术方式，术后患者失去了发声器官，需要借助电子发声装置或食管发声等替代方式与人沟通，这些方式对使用者来说往往费力且效果有限。

颈圈式无声语音接口提供了一种非侵入性的路径：只要患者仍能做出说话的肌肉动作，系统就能捕捉并解码，重建出接近原声的语音输出。这对于术后康复期患者或长期依赖辅助沟通设备的人群来说，可能是一个实质性的生活质量改变。

85%准确率意味着什么

在受控实验室条件下达到85%的准确率，是一个值得放在具体语境下理解的数字。

对于一套只识别26个固定词汇、且在枪声环境下仍能运行的系统，85%是一个相当扎实的起点。但对于日常自然语言交流，这个数字显然远远不够，每6个词里就可能有一个识别错误，在需要精确传达信息的场合会造成严重问题。

研究团队也坦承了当前系统的局限：词汇量还非常有限，对于佩戴者运动时产生的信号干扰抵抗力有待提升，设备的小型化和舒适度也还有提升空间。

未来的研发方向将集中在扩大可识别词汇量、增强抗运动干扰能力，以及进一步压缩设备尺寸，使其更接近日常可穿戴设备的使用体验。

从实验室原型到真正投入实际使用，这套系统还有相当距离要走。但它所展示的技术路径，用柔性传感器加AI解码替代声学依赖，代表了无声语音接口领域一种清晰的前进方向。对于那些声音被噪声淹没、或者声音已经无法发出的人来说，这个方向值得认真追踪。