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