美国堪萨斯大学迈克尔·维特维奇教授团队近期利用网络科学方法，构建了一张涵盖约两万个英语单词的视觉词汇网络图，深入解析人类唇读过程中的认知机制与常见错误。相关成果已发表于《声学学会杂志》。与传统研究侧重听觉音素不同，该团队聚焦于口型、下颌及嘴唇运动的视觉特征，提出视素概念进行量化分析。研究发现，公众对唇读能力的自我评估普遍偏高，实际识别错误多集中在目标词一两个视素的偏差范围内。通过可视化图谱分析，团队揭示了不同单词在视觉表征上的压缩与拉伸规律，解释了为何部分词形在口型上高度相似却发音迥异，从而造成辨识干扰。该研究不仅为优化唇读训练体系提供了数据支撑，通过追踪训练者错误轨迹的收敛过程，可有效提升识别精度；更为人工智能语音技术提供了新路径。研究团队指出，融合面部视觉信息与传统音频数据，有望显著改善视频会议软件等场景下的自动转录准确率。未来，团队将进一步探索机器学习模型在跨模态语音识别中的应用，致力于开发更智能的听觉辅助技术。