# 言语脑机接口

拉普拉斯的迷你世界 · 图版 F59 · 人工智能 · 医疗

> 尝试说话时，运动皮层还在发出信号。植入的电极读出它们，神经网络和语言模型把它们变成文字。

- 可交互的模型：https://world.lapla.si/zh/speechbci/
- 嵌入页：https://world.lapla.si/embed/zh/speechbci/
- English：https://world.lapla.si/en/speechbci/
- 更新于：2026-10-28

## 01 从尝试说话到文字

一位渐冻症参与者已经说不出别人听得懂的话。2023 年 7 月，医生在他左脑的中央前回放进四块微电极阵列。手术后第 25 天第一次使用，录下 30 分⁠钟他尝试说话时的信号，就能用 50 个⁠词的词表解码，词错误率 0.44%。

第二天又训练了 1.4 小⁠时，换成 125,⁠000 个⁠词的词表，词错误率 9.8%。数据越攒越多，到第 15 次降到 2.5%。8.4 个⁠月里，他用它说了 248 个多小时的话。

他按自己的速度说，每分钟约 32 个⁠词，日常对话约 160 个。2023 年发表的另一项研究里，参与者同样患渐冻症，每分钟说 62 个⁠词；125,⁠000 词时，词错误率是 23.8%。

*50 词：0.44% · 125,⁠000 词：9.8%，后来 2.5% · 共 248 小⁠时*

## 02 失去的和留下的

渐冻症（肌萎缩侧索硬化）损害运动神经元，就是脑和脊髓里控制随意运动的神经细胞。它们退化以后，不再把信号送到肌肉，说话、吞咽、走路都越来越难。患者通常仍能推理、记忆和理解。

脑干的卒中可以让人进入闭锁状态：清醒、能思考和理解，却不能动身体，也不能说话，多数人还能眨眼、上下转动眼睛。

在这些参与者的运动皮层里，说话时嘴唇、舌头、下颌和喉的动作信息瘫痪多年后仍然读得出来，只是到不了肌肉。言语脑机接口直接从皮层读，绕过断掉的那一段。

*运动神经元不再传信号 · 闭锁 · 皮层里的信息还在*

## 03 阵列放在哪里

中央前回在中央沟的前面。它靠下的一段，外侧裂上方的 6v 区，是口面部的运动皮层；单个电极上就能读到嘴唇、下颌、舌头和喉的动作混在一起。图上涂成朱红的就是这一段。

2023 年的研究放了四块阵列：两块在 6v 区，两块在额下回的 44 区（布罗卡区的一部分）。44 区几乎读不出说话的信息，解码只用了 6v 区的 128 个电极。

2024 年那位参与者的四块都在左侧中央前回：6v 区的腹侧和背侧、4 区和 55b 区，共 256 个电极。人和人的脑回不尽相同，论文说，能不能每次都放到读得出说话的位置，还要更多验证。

*6v：口面部运动皮层 · 44 区几乎读不出 · 四块共 256 个电极*

## 04 一块微电极阵列

每块阵列是一小片硅，3.2 × 3.2 毫⁠米，上面竖着 8 × 8 = 64 根针，每根长 1.5 毫⁠米；厂家给出的针距是 400 微⁠米。针和底座是同一块硅。

针身包着一层聚对二甲苯（Parylene-⁠C）绝缘，针尖镀着氧化铱。每个针尖上有一个约 50 微⁠米的记录点，设计上记录附近一个或几个神经元的放电。

手术时打开约 5 × 5 厘⁠米的颅骨，用高速的气动插入器把阵列压进皮层 1.5 毫⁠米。背面的引线汇成一束金线，穿过颅骨接到连接座上，连接座用钛螺钉固定在颅骨外面。旁边的阵列放大了 20 倍，连接座放大了 2 倍。

*8 × 8 根 · 3.2 毫⁠米见方 · 长 1.5 毫⁠米 · 针距 400 微⁠米*

## 05 从放电到特征

每个电极上的电压每秒记录 30,⁠000 次。附近的神经元放电时，电压会猛地往下跳一下。

解码器不去分辨是哪个神经元，只数两样：电压低于阈值（噪声均方根的 −4.5 倍）的次数，和放电频段的功率，每 20 毫⁠秒算一次。论文说，这两样拿来解码，和逐个分出的神经元差不多。

256 个电极、每个两样，就是每 20 毫⁠秒 512 个数。它们先按各自的平均值和波动标准化，再平滑一下，送进神经网络。

*每秒 30,⁠000 次 · 阈值 −4.5 倍均方根 · 每 20 毫⁠秒 512 个数*

## 06 神经网络读出音素

解码器是一个循环神经网络：五层门控循环单元（GRU），每层 512 个单元。它每 80 毫⁠秒读一次最近 280 毫⁠秒的数据，给出 41 个概率：39 个英语音素、词与词之间的停顿，和训练用的“空白”。

训练有个难处：参与者说不清，没人知道每一刻他在发哪个音。所以用 CTC（联结时序分类）训练：只告诉网络这句话的音素顺序，由它自己对上时间。

信号每天都会慢慢变，网络最前面有一层每天单独学的输入层，先把当天的数据校正一下。只看网络本身、每步取最可能的音，2023 年那项研究的音素错误率约 20%。

*5 层 × 512 · 每 80 毫⁠秒 · 41 个输出 · 音素错误率约 20%*

## 07 语言模型挑出词

一串音素还不是句子。语言模型知道有哪些词、哪些词常连在一起，从音素的概率里找出最可能的一串词。2023 年那项研究用 CMU 发音词典里的 125,⁠000 个⁠词，在网上的大量文字里统计三个词一组的搭配。

它每 80 毫⁠秒走一步，用束搜索留下最好的一批候选，每步不到 1 毫⁠秒，屏幕上的字跟着更新。2024 年的系统还用一个 67 亿参数的大语言模型（OPT）给最可能的 100 句候选重新打分。

它能纠错，也会改错。论文里的一个例子：要说的是 “we don’t listen to the radio at work at all”，有 4 个音解错了；“listen” 还是对的，“radio” 却变成了 “reader”。

*125,⁠000 词 · 三词一组 · 每步不到 1 毫⁠秒 · 67 亿参数的模型重新打分*

## 08 词表越大，越容易错

2023 年那项研究里，词表只有 50 个⁠词时，词错误率是 9.1%；换成 125,⁠000 个⁠词，是 23.8%（两组测试句子不同）。网络本身解出的音素，两种情况错得差不多，都在 20% 左右。

原因之一：词越多，只差一个音的“邻居”越多。在 CMU 词典里，50 个⁠词中居中的那个词，一个音之内约有 50 个别的词；“I” 有 142 个，其中 “eye” 读音完全一样。在 50 个⁠词里，多数词一个音之内没有别的词。

论文把同一批数据配上大小不同的词表重新解码：词表要小到 50 到 100 个⁠词才明显更准；到 1,⁠000 个⁠词左右，错误率就和大词表差不多了。

*50 词：9.1% · 125,⁠000 词：23.8% · 1,⁠000 词以上差不多*

## 09 训练和校准

2023 年那项研究里，每个测试日先录下参与者尝试说的 260 到 480 句话（约 41 分⁠钟），连同以前所有的数据重新训练网络，连录带训平均每天约 140 分⁠钟。离线测算，不重新训练时词错误率约 30%。

2024 年的系统，第一天录 30 分⁠钟、213 句就用上了 50 个⁠词；第二天再录了 1.4 小⁠时，就换成 125,⁠000 个⁠词。后来每说完一句，就用这一句把网络微调一次。

在只供他自己使用的 29 天里，他三次觉得错得比平常多，要求重新校准；每次约 7.5 分⁠钟，尝试说出屏幕上的 20 句话。

*每天约 41 分⁠钟（2023）· 第一天 30 分⁠钟（2024）· 校准一次约 7.5 分⁠钟*

## 10 把信号变成声音

2023 年另一组研究者用的是贴在皮层表面、不插进去的电极：一张片子上 253 个，中心相距 3 毫⁠米。参与者是一位脑干卒中多年后不能说话的女性。解码文字的中位数是每分钟 78 个⁠词、词错误率 25.5%（词表 1,⁠024 个⁠词）；同时合成语音，驱动一个虚拟头像的表情。

2025 年，2024 年那位参与者用上了直接出声的解码器：不经过文字，每 10 毫⁠秒从神经信号算出一小段声音，音色按他患病前的声音训练。论文说，从采集信号到合成出声音样本，用时不超过 10 毫⁠秒（不含声卡播放）。

听的人从六句里挑出他说的那一句，平均挑对 94%；直接写下听到的话，词错误率中位数 43.75%；他自己开口说时，这个数是 96.43%。他还能用它问问题、强调某个词，唱三个音高的简单曲调。

*表面电极 253 个 · 不超过 10 毫⁠秒出声 · 听写词错误率 43.75%*

## 11 不出声的内心话

2025 年一项研究请四位参与者只在心里说、不尝试动嘴。运动皮层里也有信号，像是尝试说话时的弱化版；实时解码 50 个⁠词时，词错误率 14% 到 33%。

问题随之而来：只在心里想的话，会不会被解出来？研究者试了两种保护：训练时把心里默念的句子都标成“静音”，这一种目前只在离线数据上验证过；或者先在心里默念一个平时几乎不会说的口令，解码器才开始输出。实时测试中，口令判断对了 80 次中的 79 次。

论文也写明，自由思考时解不出完整、能听懂的句子。这些系统读的是运动皮层里和说话有关的活动，不是想法本身。

*心里说：50 词 14⁠–⁠33% · 口令 79 / 80 · 自由思考解不出句子*

## 12 它还不是什么

它还不是产品。这些研究都在临床试验里进行，用的是研究用器械。到 2024 年，BrainGate 系列试验共有 19 位参与者，过去多数解码的是手臂和手的动作；几篇言语论文各有一到四位参与者。

要开颅，头上留着穿出头皮的连接座。BrainGate 的 14 位参与者在 2004 到 2021 年间共植入 12,⁠203 天，发生 68 次与器械有关的不良事件，其中 6 次严重，最常见的是连接座周围的皮肤刺激；没有一次需要取出器械。

它读的是尝试说话时运动皮层的信号，不是念头；网络要定期重新训练或校准；接上系统、启动程序，2024 年那位参与者也还需要研究人员帮忙。人工耳蜗把信号送进听神经，言语脑机接口反过来，把皮层的信号读出来。

*临床试验 · 研究用器械 · 要开颅 · 读的是尝试说话*

## 13 拆开一块阵列

放大的这块按 20 : 1 画。针和底座是同一块硅，拆不开；针身包着绝缘层，只露出镀着氧化铱的针尖。

背面每根针接一根引线，外面用硅胶封住；64 根引线汇成一束金线，通到连接座。

连接座放大 2 倍画：高 16.5 毫⁠米、底面直径 19 毫⁠米，用钛螺钉固定在颅骨上，上面接可以拔下的接头和电缆。焊点、硅胶和连接座的外形是本页画的。

*针和底座 · 焊点和硅胶 · 金线束 · 连接座*

## 14 实验台：词表的大小

选一句话、词表大小和音素错误率，按“解码”。模型先按音素错误率随机解错一些音（红色），再在词表里找读音最接近的词。每按一次都重新随机一遍。

词表只有 50 个⁠词时，错一两个音，最接近的多半还是原来的词；换成 125,⁠000 个⁠词，一个音之差常常落到别的词上；读音完全一样的词，比如 “I” 和 “eye”，只能随便挑一个。

这是模型：音素错误率取论文里网络本身的数（19.7% 或 10.3%）；大词表只算一个音之内的邻居；没有上下文的语言模型，所以大词表错得比论文多得多。论文正是靠上下文，把 125,⁠000 词的错误率降到 23.8% 和更低。

*读数：错的音 · 错的词 · 模型平均*

**试一试**：把词表从 50 个⁠词换成 125,⁠000 个⁠词：同一句话里，哪些词最容易被解成别的词？为什么像 “I” 这样的短词更容易错？

## 模型省略了什么

头像是一件真人大小的瓷像，不是哪一位参与者。脑按标准的侧面图画了主要的脑沟（外侧裂、中央沟、中央前沟和中央后沟、额上沟和额下沟、颞上沟、顶内沟），小的脑沟是生成的；涂成朱红的是中央前回靠下的一段。四块阵列按 3.2 毫⁠米见方画在这一段上，“都在左侧中央前回”是 2024 年那项研究的说法，具体落点是本页的。两块阵列接一个连接座；导线、连接座的外形、电缆和电脑是示意。放大的阵列按 20 : 1、连接座按 2 : 1，两者比例不同。信号光点只表示先后顺序，不表示信号的速度和样子。屏幕上的句子来自实验台，词都在那 50 个⁠词里。

## 几个容易误会的地方

它读的是尝试说话时运动皮层的活动，不是想法；自由思考时解不出完整的句子。词错误率是要改动多少词才能和本来要说的话一样，不是“听懂了多少”。50 词和 125,⁠000 词的结果用的测试句子不同，不能直接相比。2024 年论文摘要里的“97.5% 准确率”，是照屏幕说句子时 2.5% 的词错误率换算来的，自由对话时是 3.7%。每篇论文只有一到四位参与者，说的都是英语，这些系统都还在临床试验中。

## 常见问题

### 言语脑机接口第一天能解码得多准？

手术后第 25 天第一次使用，录下 30 分⁠钟他尝试说话时的信号，就能用 50 个⁠词的词表解码，词错误率 0.44%。

见：[01 从尝试说话到文字](https://world.lapla.si/zh/speechbci/#words)

### 说不出话的人，大脑里说话的信号还在吗？

在这些参与者的运动皮层里，说话时嘴唇、舌头、下颌和喉的动作信息瘫痪多年后仍然读得出来，只是到不了肌肉。

见：[02 失去的和留下的](https://world.lapla.si/zh/speechbci/#lost)

### 言语脑机接口的神经网络怎样工作？

解码器是一个循环神经网络：五层门控循环单元（GRU），每层 512 个单元。

见：[06 神经网络读出音素](https://world.lapla.si/zh/speechbci/#decoder)

### 为什么词表越大，解码错得越多？

2023 年那项研究里，词表只有 50 个⁠词时，词错误率是 9.1%；换成 125,⁠000 个⁠词，是 23.8%（两组测试句子不同）。

见：[08 词表越大，越容易错](https://world.lapla.si/zh/speechbci/#vocab)

### 言语脑机接口能读出人的想法吗？

论文也写明，自由思考时解不出完整、能听懂的句子。

见：[11 不出声的内心话](https://world.lapla.si/zh/speechbci/#inner)

## 资料来源

1. [Willett 等（2023）：A high-⁠performance speech neuroprosthesis，Nature 620, 1031⁠–⁠1036](https://doi.org/10.1038/s41586-023-06377-x)
2. [Card 等（2024）：An Accurate and Rapidly Calibrating Speech Neuroprosthesis，N Engl J Med 391, 609⁠–⁠618](https://doi.org/10.1056/NEJMoa2314132)
3. [Wairagkar 等（2025）：An instantaneous voice-⁠synthesis neuroprosthesis，Nature 644, 145⁠–⁠152](https://doi.org/10.1038/s41586-025-09127-3)
4. [Metzger 等（2023）：A high-⁠performance neuroprosthesis for speech decoding and avatar control，Nature 620, 1037⁠–⁠1046](https://doi.org/10.1038/s41586-023-06443-4)
5. [Kunz 等（2025）：Inner speech in motor cortex and implications for speech neuroprostheses，Cell 188, 4658⁠–⁠4673](https://doi.org/10.1016/j.cell.2025.06.015)
6. [Moses 等（2021）：Neuroprosthesis for Decoding Speech in a Paralyzed Person with Anarthria，N Engl J Med 385, 217⁠–⁠227](https://doi.org/10.1056/NEJMoa2027540)
7. [Rubin 等（2023）：Interim Safety Profile From the Feasibility Study of the BrainGate Neural Interface System，Neurology 100, e1177–e1192](https://doi.org/10.1212/WNL.0000000000201707)
8. [美国国立神经疾病与卒中研究所（NINDS）：Amyotrophic Lateral Sclerosis (ALS)](https://www.ninds.nih.gov/health-information/disorders/amyotrophic-lateral-sclerosis-als)
9. [美国国立神经疾病与卒中研究所（NINDS）：Locked-⁠in syndrome](https://www.ninds.nih.gov/health-information/disorders/locked-syndrome)
10. [ClinicalTrials.gov：NCT00912041（BrainGate2）](https://clinicaltrials.gov/study/NCT00912041)
11. [Blackrock Neurotech：Utah Array（规格）](https://blackrockneurotech.com/products/utah-array/)
12. [Carnegie Mellon University：The CMU Pronouncing Dictionary 0.7b](https://github.com/Alexir/CMUdict)

## 数据

The bust is this page’s porcelain head at life size, not any participant. The hemisphere’s main sulci are drawn after a standard lateral view; the small folds are generated. The four arrays (64 electrodes, 3.2 × 3.2 mm, 1.5 mm long) sit on the left precentral gyrus as Card et al., NEJM 391, 609 (2024) describe; their exact places, the wire bundles, the pedestals’ outline (CerePort pedestal: 16.5 mm high, 19 mm base, Blackrock Neurotech’s specifications), the cables and the computer are drawn. The decoder’s sizes (features every 20 ms, a 5-⁠layer GRU with 512 units, 41 outputs every 80 ms, CTC) and the language model (125,⁠000 words, trigram) are from Willett et al., Nature 620, 1031 (2023) and its Supplementary Methods; the example of Fig. 2d is quoted from it. The laboratory is this page’s model: the 50-⁠word set of Moses et al. (2021) as used by Willett et al. (2023); pronunciations from the CMU Pronouncing Dictionary 0.7b (Copyright © 1993⁠–⁠2015 Carnegie Mellon University, BSD-⁠style licence); phoneme error rates of 19.7 % and 10.3 % from Willett et al. (2023) and Card et al. (2024); the error mix and the nearest-⁠word rule are the model’s. Material presets, parts and the softbox studio of the site’s model kit are ported from AirsupHQ/machine-⁠skill (MIT, © 2026 Air Supply Technologies Inc.).

## 许可 CC BY-NC 4.0

本页的文字、图片和模型采用 CC BY-NC 4.0 许可：可以免费用于教学和其他非商业用途，可以修改，请注明出自 world.lapla.si。上面列出的第三方素材仍按各自的许可。

https://creativecommons.org/licenses/by-nc/4.0/deed.zh-hans

## 引用这幅图版

拉普拉斯的迷你世界，图版 F59《言语脑机接口》，https://world.lapla.si/zh/speechbci/，CC BY-NC 4.0，2026-10-28 更新。