DeepMindov sustav 'Watch, Listen, Attend and Spell' uspješno je prepoznao izgovorene riječi s preciznosti od 46,8 posto. Usporedbe radi, profesionalci koji čitaju s usana imaju točnost od 12,4 posto. Ovo se čini jako malim postotkom u oba slučaja, s obzirom da je Oxfordov LipNet uspješno prepoznao 90 posto izgovorenih riječi, no valja imati na umu da je on koristio predefinirani materijal i ograničene fraze (51 jedinstvena riječ), dok DeepMind praktički polaže test učenjem u stvarnom svijetu.

Istraživači odjela DeepMind vjeruju da će ovakvi sustavi biti od velike koristi osobama koje imaju oštećenje sluha pa i više od toga. Nije teško zamisliti budućnost u kojoj je, umjesto dernjave na virtualni asistent na mobilnom uređaju, dovoljno tek otvarati usta kao da se izgovaraju naredbe.

No, izglednije je da će se projekti poput ovoga maksimalno koristiti za potrebe špijunaže pa će nastati novi problemi oko privatnosti. Istraživači navode da je to za sada daleko, jer nije ista stvar analize HD programa ili odnošenja sustava u stvari svijet s puno više šuma. U svakom slučaju - moguće je.

Više detalja moguće je vidjeti u istraživačkom radu (.pdf)