不用出声也能聊天？苹果公开一项无声语音识别专利

地铁里、会议室中、医院病房内——很多场合我们都需要“说点什么”，却又不便发出声音。

苹果公司近日公开了一项专利申请（WO2026159706A1），提出一种默声语音检测方案：用户在不发声的情况下靠面部肌肉运动“默念”，设备读取面颊皮肤微动后将其解码为文字、再合成为语音，并以不超过100毫秒的延迟把音频回放给用户自己，用于确认与沟通。

默声（silent speech）指肺不送气、声带不振动，但面部、喉部、口腔肌肉仍按说话方式运动，带动面部皮肤产生微小位移。苹果的解决方案就是将这类位移翻译成可理解的词句，系统由三部分组成：非接触光学传感 + 神经网络解码 + 低延迟音频反馈。

光学传感：隔空读取面部皮肤的微运动

设备在耳塞或眼镜腿上集成一个光学传感头，包含发射与接收两个模块。

发射端用红外激光二极管等光源，向面颊等区域发射多束相干光，形成一组光斑。接收端则用宽视场角的CMOS图像传感器阵列，接收从皮肤反射回来的光。

当面部肌肉微动时，皮肤表面发生微小位移，反射回来的二次相干光图案（即散斑图案）随之变化。接收模块感测这些散斑图案的变化并输出信号。

根据专利文件表述，整个传感过程完全非接触：传感头距皮肤至少5毫米，典型距离为1～2厘米，甚至更远。接收模块的视场角通常不小于60°、可达90°以上，对应面部覆盖区域一般不小于1平方厘米，优选不小于2平方厘米或更大。

在系统空闲时，设备以较低的帧率（例如 20 fps）工作以节省功耗，同时监测是否有说话意味的面部运动；一旦检测到运动，帧率提升到 100–200 fps，进入活跃捕获状态。

光学传感头输出的散斑图像不会直接变成文字，识别链路由穿戴设备本地完成：

第一步特征提取（FE）：处理电路对散斑图像运行FE算法，输出特征；

第二步神经网络推理（NN）：特征送入预训练神经网络，输出包含词序列的语音数据；

第三步I²S 音频转换：语音数据通过设备I²S总线接口转换为数字音频，随后经蓝牙片上系统（BSoC）的侧音（sidetone，自我监听）处理、自动增益控制（AGC）、数模转换（DAC）和功放，最终送入扬声器播放。

神经网络模型参数由云端服务器结合散斑图像、对应真值文本、词汇词典、语言模型完成训练，再下发至本地穿戴设备使用。

专利中提供了两级算力部署方案：

一体化方案：特征提取、NN推理、音频生成全部在耳机内部完成，不依赖手机。断连时仍可完整运行，适合完全离线的私密使用场景。
分布式拆分架构：将任务拆分给多个配对设备。专利中举例提到，可将光学采集、特征提取交由第一穿戴设备，神经网络推理分配至另一耳机、充电仓、手机或云端。好处是单只耳机体积更小、发热和功耗更低，算力也可灵活扩容。

传统无声识别方案普遍缺少实时反馈，用户无法快速确认系统识别结果，本专利将本地实时音频回放作为核心改进点。

神经网络推理完成后，合成语音经由I²S接口直接送往耳机扬声器，总延迟控制在100毫秒以内，使用体感接近人正常出声时听见自身语音的效果。

专利还做了一项差异化处理：回放给用户自己的音频，保真度可以适当降低，满足听清识别内容即可；对外通话、消息发送所需的高保真音频，则由手机等外接设备生成。这种策略既保证了反馈的实时性，又避免了算力和功耗的浪费。

专利附图给出了两套可量产的硬件方案，对应苹果现有穿戴产品线：

形态一：耳挂式无线耳机（适配 AirPods 系列）

耳机外侧延伸短支架，末端搭载光学传感头，悬停在用户脸颊前方，不接触皮肤。机身集成扬声器与触控按键，用户可通过按键或触摸传感器切换工作模式，闲置时自动切回低功耗待机。

形态二：智能眼镜集成方案（适配 Vision Pro / 苹果智能眼镜）

传感模块整合在眼镜镜腿。除光学探头外，可额外加装鼻部、颞部体表肌电电极，采集面部肌肉电活动信号，作为光学传感的补充信息源；镜架内置扬声器，可独立支持全套低延迟音频反馈功能。

本文解读文件为已公开 PCT 国际申请 WO2026/159706A1，优先权为美国临时申请 US 19/032,536（2025-01-21），该专利尚未获得授权。

国际检索报告将 US 2024/221719 A1 列为 X 类对比文件，意味着“光学散斑+神经网络解码语音”这一基础技术路线已被他人在先公开，非苹果首创。这份专利具备新颖性的核心创新组合集中在：100 毫秒以内本地音频反馈、I²S 低延迟音频通路、适配默声识别的分布式硬件架构。

专利最终保护范围、权利稳定性以各国正式授权文本为准，公开技术方案不代表苹果已有明确量产计划。