AI自动生成的字幕，能离谱到什么程度？

不仅把“螃蟹”（crab）误听成“废话”（crap），当场爆粗：

甚至还能把“玉米”（corn）给翻译成p*rn……

关键在于，这些是AI给儿童节目自动生成的字幕。

被AAAI 2022收录的一篇新研究发现，在7013个儿童视频中，接近40%的节目出现了少儿不宜或脏话等词汇。

甚至在一个113集的儿童机器人学习栏目中，AI就“爆粗”了103次，平均接近一集一次！

对此，油管（YouTube）在接受《连线》采访时回应：我们为13岁以下的儿童开发了YouTube Kids，这个APP会关闭字幕生成功能。

但如果真有字幕需求的话，如何才能想办法减少这种AI生成错误？

一起来看看。

亚马逊谷歌都很“祖安”

先来看看这篇论文的调查结果。

研究人员一共从油管上选出了24个儿童频道，分别记录了这些频道的播放量和订阅量。

可以看出，这些筛选出来的视频播放量基本都达到了百万级，订阅人数也同样不少。

然后，研究人员分别试了一下谷歌和AWS（亚马逊网页服务）的字幕生成效果。

结果显示，AI字幕的“少儿不宜”率可谓离谱：

在7013个视频中，谷歌AI出现错误字幕的次数达到2768次，接近40%。

亚马逊的AI字幕错误率还要更高，达到了3672次，超过52%。

具体来说，两个AI分别容易在这些“不太恰当”的字词上出错：

△图左亚马逊，图右谷歌

在这些数据集中，有一些词语又尤为“少儿不宜”，例如一些骂人的脏词：

经过作者们人工检查（例如确认原视频是否真的说了脏话），发现AI主要容易在以下几种情况中出错：

背景音乐嘈杂

说话者为婴儿

说话者为儿童

说话者以英语为第二语言

说话者在唱歌

△包括但不限于这些情况

那么，有没有什么办法减少这种情况发生呢？

语序连贯的错误更容易修复

研究人员提出了一个新的数据集，利用近音字词来构建禁忌词的“替换”备选。

例如，对于crap这一可能出现的“粗口”，研究人员就给它设置了crab、craft等读音相似的字词，便于AI在搞错时进行替换。

具体来说，他们在BERT、XLM、XLNet等NLP模型上，针对“完形填空”任务进行了重新训练，也就是用[MASK]遮住部分单词，让AI来填写对应的内容。

结果显示，在语序正常、前后文案有逻辑的视频中，AI替换的准确率更高（蓝色为正确替换词）：

然而在一些逻辑不强的文案中，成功替换的效果就没有那么好了：

最终，Megatron和Levenshtein等模型展现出了最好的修复效果，分别给亚马逊AI带来了超过25%的正确修复率，给谷歌AI带来了超过28%的修复率。

看来AI在字幕生成能力上还是任重道远啊。

论文地址：https://github.com/sumeetkr/UnsafeTranscriptionofKidsContent/blob/main/YouTube_Transcription_Final.pdf

参考链接：https://www.dailymail.co.uk/sciencetech/article-10553233/YouTube-AI-putting-explicit-language-captions-videos-aimed-children.html