在今年天貓雙十一預(yù)售日，李佳琦再次刷新了直播記錄，39款商品秒光，4個(gè)多小時(shí)累積突破3000萬(wàn)圍觀。長(zhǎng)達(dá)4小時(shí)的超負(fù)荷直播，也讓很多企業(yè)想到“虛擬主播”代替真人主播這一新的發(fā)展機(jī)遇。

2018年，搜狗和新華社聯(lián)合推出的全球首個(gè)AI合成主播的誕生，掀開(kāi)了“AI＋虛擬主播”的神秘面紗，一時(shí)間，嗅到“科技紅利”的市場(chǎng)各方開(kāi)始蜂擁而上。2019央視網(wǎng)絡(luò)春晚推出AI虛擬主持人團(tuán)隊(duì)，今年兩會(huì)期間，新華社推出AI虛擬主播“新小萌”，人民日?qǐng)?bào)推出AI虛擬主播“小晴”�；乜催@兩年市場(chǎng)熱潮，總讓人有一種錯(cuò)覺(jué)，仿佛回到了當(dāng)初世界首個(gè)虛擬主持人誕生時(shí)。不過(guò)，相比當(dāng)初“曇花一現(xiàn)”的虛擬主播，這次新增的“AI”元素，或許會(huì)為市場(chǎng)帶來(lái)更多的機(jī)會(huì)。

虛擬主持的誕生

自工業(yè)革命起，以機(jī)器代替手工勞動(dòng)就成了人類努力的方向。隨后，第一臺(tái)計(jì)算機(jī)的發(fā)明，讓機(jī)器開(kāi)始升級(jí)為“人工智能”。步入互聯(lián)網(wǎng)時(shí)代后，“人工智能”更是加快了替代手工勞動(dòng)的步伐，并從基礎(chǔ)的體力勞動(dòng)層面漸漸轉(zhuǎn)向創(chuàng)意、創(chuàng)作層面。在這一時(shí)代，更是誕生了諸如曠視科技、商湯科技、依圖科技、云從科技、極鏈科技這樣的優(yōu)質(zhì)初創(chuàng)人工智能企業(yè)。

早在2001年，英國(guó)PA New Media公司曾推出世界上第一個(gè)虛擬主持人阿娜諾娃，一個(gè)只有頭部的動(dòng)畫(huà)，可根據(jù)新聞腳本快速制作視頻，并可24小時(shí)持續(xù)播報(bào)。此后，日本推出了寺井有紀(jì)，中國(guó)推出了小龍，美國(guó)推出了薇薇安，韓國(guó)推出了露西雅，市場(chǎng)上虛擬主播的地位一片欣欣向榮。但阿娜諾娃沒(méi)多久就退出了舞臺(tái)，曾經(jīng)吹捧過(guò)她的媒體紛紛關(guān)閉舊欄目，開(kāi)設(shè)新欄目，換上真人主持，好像阿娜諾娃從未出現(xiàn)過(guò)一樣。

直至今日，再回看當(dāng)年的這波虛擬主持人熱潮，仍有幾點(diǎn)值得反思：

1．技術(shù)的成熟是產(chǎn)品出現(xiàn)的關(guān)鍵，但產(chǎn)品的成熟度如何，是由市場(chǎng)評(píng)判的。市場(chǎng)之所以會(huì)追捧虛擬主持人，根本目的是為了節(jié)省制作成本，提升制作效率。但早期的虛擬主持人，從整個(gè)制作過(guò)程來(lái)看，成本其實(shí)遠(yuǎn)超聘請(qǐng)一位專業(yè)真人主持。

2．虛擬主持人具有行業(yè)特殊性，對(duì)語(yǔ)音、表情、肢體等都有很高的要求。相比其他行業(yè)，主持人最基本的要求就是口才。也就是說(shuō)，虛擬主持人要達(dá)到與真人主持一樣的口才，語(yǔ)音識(shí)別和自然語(yǔ)言處理的準(zhǔn)確率都要求極高。顯然在這方面，早期虛擬主持人還沒(méi)有這種技術(shù)。其次，要讓虛擬人物播報(bào)呈現(xiàn)出自然狀態(tài)，就必須解決口型匹配、表情匹配，乃至肢體動(dòng)作匹配等問(wèn)題。最后，在制作播報(bào)視頻時(shí)，一定要快、穩(wěn)、準(zhǔn)。新聞行業(yè)是一個(gè)極為注重時(shí)效性的行業(yè)，如果制作一個(gè)視頻就需要花費(fèi)幾天乃至幾周的時(shí)間，那虛擬主持人取代真人主持顯然是偽命題。

3．虛擬主持人是否一定要像真人，這是在做產(chǎn)品之前必須明確好的方向。早期的虛擬主持人都格外在意“像真人”，似乎這是一條鐵律。這很大程度上，源自在當(dāng)時(shí)環(huán)境下，主持人大多與新聞播報(bào)捆綁，像真人才更有可信度。但從長(zhǎng)遠(yuǎn)發(fā)展來(lái)看，“像真人”真的是必須的嗎？

合成技術(shù)原理

其實(shí)所謂的“像真人”，不外乎是運(yùn)用“AI合成”技術(shù)�！疤摂M主播”通過(guò)提取真人主播新聞播報(bào)視頻中的聲音、唇形、表情動(dòng)作等特征，運(yùn)用語(yǔ)音、唇形、表情合成以及深度學(xué)習(xí)等技術(shù)聯(lián)合建模訓(xùn)練而成。

該項(xiàng)技術(shù)要能夠?qū)⑺�輸入的中英文文本自�?dòng)生成相應(yīng)內(nèi)容的視頻，并確保視頻中音頻和表情、唇動(dòng)保持自然一致，展現(xiàn)與真人主播無(wú)異的信息傳達(dá)效果。但在此之前，出現(xiàn)在大眾媒體上的虛擬主播，多半只有聲音，或者匹配一個(gè)量身定制的虛擬形象，比如微軟小冰在東方衛(wèi)視擔(dān)任天氣預(yù)報(bào)員就是如此。

要實(shí)現(xiàn)這樣的效果，兩大要求缺一不可。其一是高逼真度。要能夠自動(dòng)生成語(yǔ)音、表情、唇動(dòng)等信息完全一致的自然視頻，并已達(dá)到商用級(jí)別。其二是低成本的個(gè)性化定制。小數(shù)據(jù)的學(xué)習(xí)模型，使用少量用戶真實(shí)音視頻數(shù)據(jù)，快速遷移生成虛擬的分身模型，快速定制出高逼真度的分身模型。最后，使用時(shí)輸入一段文本，即可生成與真人無(wú)異的同步音視頻。

除此之外，語(yǔ)音合成引擎和圖像生成引擎也是重要的兩點(diǎn)。在語(yǔ)音合成引擎中，基于用戶少量音頻數(shù)據(jù)，使用語(yǔ)音合成技術(shù)，快速學(xué)習(xí)用戶音色、韻律、情感等多維度特征，建立輸入文本與輸出音頻信息的關(guān)聯(lián)。

圖像生成引擎，則是使用人臉識(shí)別、三維人臉重建、表情建模等技術(shù)對(duì)人臉表情動(dòng)作進(jìn)行特征學(xué)習(xí)和建模，建立輸入文本、輸出音頻與輸出視覺(jué)信息的關(guān)聯(lián)映射，生成輸出分身視頻。

最后，兩大引擎協(xié)作打磨，最終才能實(shí)現(xiàn)“AI合成主播”，能夠逼真模擬人類說(shuō)話的聲音、嘴唇動(dòng)作和表情，并將三者自然匹配，做到惟妙惟肖，讓機(jī)器以更逼真自然的形象呈現(xiàn)在用戶面前。

小結(jié)：

和真人主播相比，“虛擬主播”能夠不知疲倦地工作24小時(shí)，同時(shí)還掌握多國(guó)語(yǔ)言，大大提升效率、降低成本。甚至寫(xiě)好文字稿，“ 虛擬主播”就能即可播送了，還不會(huì)出現(xiàn)口誤或NG，更是讓個(gè)性化內(nèi)容生成的門(mén)檻大為降低。娛樂(lè)、醫(yī)療健康、教育、法律等多個(gè)領(lǐng)域和場(chǎng)景，無(wú)一不適用。未來(lái)，這項(xiàng)技術(shù)或許在虛擬教師、虛擬醫(yī)生，虛擬客服等需要人類參與的內(nèi)容表達(dá)場(chǎng)景，都能發(fā)揮出其價(jià)值。