剛剛火了沒幾年的主播這一職業(yè)，已經(jīng)面臨淪陷的危險，當(dāng)然，淪陷的不只是主播。
11月7日，在第五屆世界互聯(lián)網(wǎng)大會上，驚現(xiàn)全球首個「AI合成主播」，AI合成主播可以模仿真實主播的音容笑貌，就連在發(fā)布會現(xiàn)場的主持人也戲稱，“讓一個真實主播主持一個「AI合成主播」的發(fā)布會，向世人宣布合成主播的強大，是需要很大勇氣的”。
圖片來源：新華社
那么，究竟什么是「AI合成主播」呢？
新華社為新聞團隊找來AI主播
「AI合成主播」是新華社新媒體中心與搜狗公司為了提升新聞視頻生產(chǎn)效率而研發(fā)的人工智能產(chǎn)品。AI合成主播只需要輸入文字或語音文本，就可以實時高效輸出音視頻合成效果，獲得實時的播報視頻。值得注意的是，AI合成主播不僅能用和真人一樣的聲音進行新聞或節(jié)目播報，連唇形、面部表情也能夠吻合。
搜狗CEO王小川也表示，“由真人主播面對鏡頭錄制一段播報新聞視頻，「搜狗分身」技術(shù)憑借這段視頻，就能將真人主播的聲音、唇形、表情動作等特征進行提取，然后再通過語音合成、唇形合成、表情合成以及深度學(xué)習(xí)等技術(shù)，克隆出具備和真人主播一樣播報能力的AI合成主播。只需要提供文字，AI合成主播就能準確無誤的像真人主播一樣播出新聞?！?/p>
值得注意的是，這并不是新華社首次在新聞媒體領(lǐng)域引入人工智能技術(shù)，早在2015年，新華社就推出可以批量編寫新聞的寫作機器人“快筆小新”，據(jù)了解，這一機器人已經(jīng)在體育、財經(jīng)領(lǐng)域得到應(yīng)用；同年，新華社組建了國內(nèi)首個新聞無人機編隊，用于新聞航拍；2017年12月，新華社又推出媒體大腦（智能媒體生產(chǎn)平臺），并在今年6月推出媒體大腦2.0。而此次與搜狗公司共同研發(fā)的「AI合成主播」也將是新華社在智媒體時代的又一次嘗試，新華社副社長劉思揚在發(fā)布會現(xiàn)場也表示，“此舉將大幅壓縮新聞播報視頻的后期制作成本。從今天開始，新華社AI合成主播將正式上崗，成為新華社報道隊伍中新的一員?！?/p>
AI合成主播的“分身術(shù)”
此次現(xiàn)身的AI合成主播的亮點在于其完美的“分身術(shù)”。其實在AI合成主播出現(xiàn)之前已經(jīng)有諸如語音類的智能音箱、虛擬的全息影像等技術(shù)模態(tài)出現(xiàn)，而AI合成主播的核心技術(shù)是搜狗分身技術(shù)。
搜狗分身技術(shù)是搜狗人工智能推出的多模態(tài)合成技術(shù)，可以基于少量真實音視頻數(shù)據(jù)，快速遷移生成虛擬的分身模型。使用時輸入一段文本，即可生成與真人無異的同步音視頻。
簡單來講，AI合成主播主要有兩大核心技術(shù)支撐：通過人工智能技術(shù)，采集人的面部表情并標簽化，把那個根據(jù)語義合成表情；通過機器學(xué)習(xí)自動生成仿真語音。而這兩大核心技術(shù)也正是基于搜狗語音合成和圖像生成的兩大引擎。
在語音合成引擎中，基于用戶少量音頻數(shù)據(jù)，使用搜狗個性化語音合成技術(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)；
在圖像生成引擎中，使用搜狗人臉識別、三維人臉重建、表情建模等技術(shù)對人臉表情動作進行特征學(xué)習(xí)和建模，建立輸入文本、輸出音頻與輸出視覺信息的關(guān)聯(lián)映射，最終生成輸出分身視頻。
通過這項技術(shù)，不僅可以合成AI主播，甚至還可以批量復(fù)制無數(shù)個風(fēng)格各異的人類形象，用于新聞播報、虛擬教師、虛擬醫(yī)生、虛擬客服等諸多行業(yè)，提升不同行業(yè)和職業(yè)的信息生產(chǎn)傳播效率。
由此，認為，新華社引入AI合成主播很可能只是一個開始，未來各行業(yè)中都會引入類似虛擬助手，而在未來這些重復(fù)性工作被取代后，在這類工作中，人類更多可能會充當(dāng)兩類角色：一類是培訓(xùn)師的角色，為這些虛擬助手提供形象及語音原型，為虛擬助手提供更多內(nèi)容素材，提升虛擬助手的精準度和工作效率；另外一類是監(jiān)控及維護工作，在機器發(fā)生錯誤或宕機時人為做出及時調(diào)整，以加強機器的容錯率。
“分身術(shù)”的兩大難點
據(jù)了解，在AI合成主播的構(gòu)建中，即使擁有圖像處理和語音處理兩類技術(shù)，仍然存在兩個難點：
高逼真度。以語音技術(shù)為例，蘋果的Siri早在iPhone4S中就有應(yīng)用，而之所以一直未能得到認可，是因為其早期版本的識別率低，另外，“機器口音”太重也使得交互體驗大打折扣。而隨著近年來語音技術(shù)的進步，語音識別率不斷突破，現(xiàn)在主流語音系統(tǒng)的識別能力都能達到98%以上，搜狗在今年的Blizzard Challenge 2018（語音合成國際大賽）中獲得可懂度和語音停頓兩項子任務(wù)全球第一；另外，此次應(yīng)用的搜狗分身技術(shù)能夠自動生成語音、表情、唇動等信息完全一致的自然視頻，據(jù)搜狗官方稱，相關(guān)視頻已達到商用級別，在業(yè)內(nèi)尚屬首次；
低成本個性化定制。當(dāng)下要想生成一個穩(wěn)定、高精度的AI模型，仍需要搜集大量數(shù)據(jù)，對AI模型進行訓(xùn)練。搜狗官方表示，搜狗分身僅需使用少量用戶真實音視頻數(shù)據(jù)，即可快速定制出高逼真度的分身模型。
分身術(shù)與虛擬世界
目前，語音技術(shù)及圖像處理技術(shù)帶來了擁有強交互能力的虛擬助手。試想，未來我們的生活中可能不止有智能音箱、智能手機，更可能有一個隨叫隨到的虛擬助手，而此次在互聯(lián)網(wǎng)大會上出現(xiàn)的「搜狗分身術(shù)」可以理解為為這樣的虛擬助手的出現(xiàn)提供了部分技術(shù)支持。
在漸漸觸摸到虛擬世界的邊界時，未來也可能會出現(xiàn)更多顛覆性技術(shù)和形態(tài)。
下載文檔
