原創(chuàng) 關(guān)注前沿科技 量子位

金磊 發(fā)自 凹非寺

量子位 報(bào)道 | 公眾號(hào) QbitAI

一群人圍坐在一間會(huì)議室里，他們的目光全部聚焦在大屏幕中播放的視頻。

這其實(shí)是《每日經(jīng)濟(jì)新聞》再日常不過的一次內(nèi)容審核會(huì)議。

但這一次的背后，卻有一場(chǎng)較量在“暗流涌動(dòng)”。

內(nèi)容團(tuán)隊(duì)和往常一樣，仔細(xì)地端詳著灰度測(cè)試視頻中主播播報(bào)的新聞。

但與此同時(shí)，同一屋檐下的技術(shù)團(tuán)隊(duì)同事，這一刻卻在緊握雙拳、捏著一把冷汗：

“千萬(wàn)不要發(fā)現(xiàn)任何端倪……”

沒錯(cuò)，正是這樣一段看似再正常不過的新聞播報(bào)，卻成為了這場(chǎng)“較量”的根本所在——

因?yàn)橐曨l里的主播N小黑，TA并不是個(gè)人，而是由AI技術(shù)合成的數(shù)字虛擬人。

當(dāng)眾人反應(yīng)過來(lái)之后，這件事情在《每日經(jīng)濟(jì)新聞》內(nèi)部迅速炸開了鍋，后來(lái)甚至有人還問“視頻里的哪部分是AI”？

技術(shù)團(tuán)隊(duì)給出的解釋則是：

從表情到姿態(tài)，再到文字，全部都是。

而后來(lái)，這項(xiàng)技術(shù)更是悄悄地上線了70天，然而就連眼尖的觀眾們都沒有發(fā)現(xiàn)異常。

當(dāng)真相公之于眾之際，結(jié)果可想而知，瞬間引發(fā)了大量的關(guān)注。

《每日經(jīng)濟(jì)新聞》更是把它置頂?shù)搅似涔俜轿⒉┲希匾暢潭瓤梢娨话摺?/p>

而這一切背后的技術(shù)，正是來(lái)自小冰團(tuán)隊(duì)的小冰框架 （Xiaoice Avatar Framework）。

但講真，這還真不是小冰團(tuán)隊(duì)第一次讓虛擬人驚艷于公眾面前。

你是不是個(gè)人，我已經(jīng)感知不到了

小冰在打造N小黑的同時(shí)，其實(shí)還公布了另一個(gè)AI——N小白。

他倆在虛擬主播界的自然程度，可以說(shuō)是第一次提高到了與人類較為接近的程度。

從他們?cè)谝曨l的表現(xiàn)中不難看出，在播報(bào)新聞時(shí)的表情神態(tài)、嘴部變化，甚至是肢體動(dòng)作的配合，都是具有一致性。

而且與N小黑一樣，N小白也是在被“公之于眾”前，連續(xù)70天、24小時(shí)不間斷地做著新聞直播，也是沒被發(fā)現(xiàn)的那種。

但也正如剛才提到的，N小黑和N小白只是小冰眾多虛擬人中的一隅。

這不最近，一名叫做崔筱盼的萬(wàn)科員工獲得總部?jī)?yōu)秀新人獎(jiǎng)的消息，刷爆了朋友圈。

原因無(wú)他，因?yàn)榇摅闩我膊⒉皇莻€(gè)人，同樣也是小冰框架下打造的虛擬人。

據(jù)介紹，崔筱盼其實(shí)早在2021年的2月份便入職萬(wàn)科，在職期間主要負(fù)責(zé)各種應(yīng)收/逾期提醒及工作異常偵測(cè)相關(guān)工作。

在系統(tǒng)算法的加持下，她能夠以驚人的速度學(xué)會(huì)人類在流程和數(shù)據(jù)中發(fā)現(xiàn)問題的方法。

她最終的工作成績(jī)，便是人類效率的千百倍，更是在催辦預(yù)付應(yīng)收逾期單據(jù)核銷率達(dá)到91.44%。

而且崔筱盼的形象也是成為此次爆火的原因之一。

很多網(wǎng)友對(duì)她的形象評(píng)價(jià)為“知性美”，更有甚者“傻傻分不清”她是真人形象還是AI創(chuàng)造出來(lái)的。

但比起逼真和美貌，崔筱盼形象上更獨(dú)特的一點(diǎn)便是相由心生。

沒錯(cuò)，小冰框架在創(chuàng)造她的形象時(shí)，并非是憑空而造，而是與她自身具備的業(yè)務(wù)能力相匹配的。

（也難怪崔筱盼會(huì)散發(fā)出職場(chǎng)女強(qiáng)人的氣息了）

當(dāng)然，除了上述的虛擬人之外，諸如操著一口濃郁方言的“山東大哥”：

從央美畢業(yè)、最近代表中國(guó)參加迪拜世博會(huì)的夏語(yǔ)冰，它們均是出自小冰框架之手：

……

不難看出，這些小冰創(chuàng)造出來(lái)的眾多虛擬人，他們都具備各自的“看家本領(lǐng)”。

那么接下來(lái)的一個(gè)問題便是——

既能做到逼真，又富有多樣性，還能批量工廠式生產(chǎn)，小冰是如何做到的？

像個(gè)人，并不容易

小冰現(xiàn)在做出來(lái)的虛擬人，無(wú)論是靜態(tài)的照片，或者是動(dòng)態(tài)的新聞主播，都可以說(shuō)是真假難辨。

但講真，尤其是在打造N小黑和N小白的時(shí)候，小冰團(tuán)隊(duì)最初也遇到了許多挑戰(zhàn)。

因?yàn)樵诖酥埃蠹夷軌蚩吹降乃^AI虛擬人主播還是比較假的。

例如主播的表情不夠自然，下半身幾乎不動(dòng)，以及播報(bào)出來(lái)的語(yǔ)言也是帶有“機(jī)械味”。

甚至《每日經(jīng)濟(jì)新聞》團(tuán)隊(duì)的成員都對(duì)此舉打出了大大問號(hào)：

我們?yōu)槭裁匆派先ミ@么假的虛擬人呢？

對(duì)此，小冰團(tuán)隊(duì)為了首次能夠達(dá)到人類無(wú)法區(qū)分的程度，便在技術(shù)路線上做出了核心改變。

先從整體來(lái)看，小冰框架依然是核心。

而這一次的技術(shù)關(guān)鍵改變，在于對(duì)視覺上的優(yōu)化。

以往我們?cè)陔娪爸心軌蚩吹降谋普嫘Ч?，要么采用的是傳統(tǒng)3D建模方法，要么就是CG后期渲染。

但這兩種方法在時(shí)間周期和資金成本上的缺點(diǎn)也是非常明顯。

基于這種現(xiàn)狀，小冰團(tuán)隊(duì)便提出了一種新的方法——深度神經(jīng)網(wǎng)絡(luò)渲染技術(shù) （XNR）。

簡(jiǎn)單來(lái)說(shuō)，這項(xiàng)技術(shù)主要包含三個(gè)步驟。

第一步是構(gòu)建兩個(gè)專家模型。

第一個(gè)是語(yǔ)音專家模型，基本的思路便是利用很大量的數(shù)據(jù)來(lái)學(xué)習(xí)、理解人類的語(yǔ)音。

例如人類在講話講到激動(dòng)的時(shí)候，他的嘴型都會(huì)有比較明顯的變化，而語(yǔ)音專家模型就是學(xué)會(huì)這項(xiàng)技能。

第二個(gè)是專家模型，則是通過采集攝像機(jī)等設(shè)備拍出來(lái)的人物視頻數(shù)據(jù)，學(xué)習(xí)人類在說(shuō)話過程中，嘴部的變化與眼睛、臉部其它肌肉之間如何產(chǎn)生微妙的聯(lián)動(dòng)變化。

如此一來(lái)，就能會(huì)讓虛擬人在說(shuō)話時(shí)，整個(gè)面部表情能夠變得自然流暢。

第二步便來(lái)到了渲染的環(huán)節(jié)。

也就是將語(yǔ)音輸入到深度神經(jīng)網(wǎng)絡(luò)渲染模型，而后會(huì)一幀一幀地渲染出自然的臉，并形成動(dòng)態(tài)的過程。

但在這個(gè)過程中，前兩個(gè)專家模型也會(huì)起到一個(gè)監(jiān)督的作用，目的還是讓整體效果能夠自然。

第三步，則是一個(gè)自動(dòng)化的過程。

也就是當(dāng)把文字輸入進(jìn)來(lái)的時(shí)候，就會(huì)通過TTS（TextToSpeech）的方式，將文本變成語(yǔ)音。

而當(dāng)機(jī)器接收到這些語(yǔ)音信號(hào)后，又會(huì)將其聯(lián)動(dòng)虛擬人的所有姿態(tài)、動(dòng)作、表情等，最終生成一個(gè)完整的視頻。

也正是在這種技術(shù)路線上的改變，最終才得以讓小冰的虛擬人“瞞天過海”地騙過了人眼。

……

聊完了背后的技術(shù)，不少友友們肯定也要發(fā)問了：

做得這么像人，小冰要干什么？

我們還是拿N小黑/N小白的例子來(lái)看。

他們的效果一出來(lái)，便讓《每日經(jīng)濟(jì)新聞》內(nèi)容團(tuán)隊(duì)的態(tài)度，發(fā)生了三百六十度的改變——

從最開始的質(zhì)疑和抵觸，直接轉(zhuǎn)變成了積極去接受。

他們后來(lái)直接主動(dòng)拿著需求，找到小冰團(tuán)隊(duì)的技術(shù)人員說(shuō)：

我們現(xiàn)在需要讓AI來(lái)播報(bào)這些內(nèi)容……

這是因?yàn)樗麄儼l(fā)現(xiàn)虛擬人播報(bào)新聞，原來(lái)不僅可以做得像人一樣逼真，而且還能做到7 x 24小時(shí)不間斷的那種。

如此一來(lái)，便讓播報(bào)新聞這個(gè)本身就極具時(shí)效性的事情，變得異常精準(zhǔn)高效，還釋放了大量的人力和物力。

甚至《每日經(jīng)濟(jì)新聞》的同行都會(huì)私下問他們：“你們什么時(shí)候變成24小時(shí)制了？”

……

而不僅僅是新聞主播這一件事，若是上升到更高的角度來(lái)觀察，我們也不難發(fā)現(xiàn)AI虛擬人已然成為一種大趨勢(shì)。

例如前一陣子在短視頻平臺(tái)一夜爆火的虛擬人柳夜熙，僅發(fā)布一條視頻便受到了全民圍觀。

△圖源：柳夜熙官方短視頻號(hào)

她做為一名虛擬人美妝博主，不僅是故事的精彩性，更是因?yàn)槠涓叱哪竽樇夹g(shù)，讓她呈現(xiàn)出了東方古典與現(xiàn)代時(shí)尚元素完美結(jié)合的效果。

再如虛擬人AYAYI，僅憑一張“證件照”，在網(wǎng)絡(luò)上瞬間爆紅（當(dāng)天便有224萬(wàn)瀏覽量）。

△圖源：AYAYI官方平臺(tái)

與以往虛擬形象不同的是，她擁有更加貼近人類的外貌，無(wú)論是膚質(zhì)、發(fā)質(zhì)亦或是微表情等，都做到了對(duì)真人的高度還原。

這是AI虛擬人，正在逐步迎合大眾審美、口味的一種印證。

再?gòu)纳虡I(yè)層面上來(lái)看，僅是2021年，虛擬人賽道上便有超過10筆的融資，嗅覺敏銳的VC們可謂是紛紛拋出了橄欖枝，著手布局。

除了這種視覺形象的虛擬人，在語(yǔ)音方面，Gartner預(yù)測(cè)到了 2023 年，員工與應(yīng)用程序的互動(dòng)中，將有 25% 是透過語(yǔ)音進(jìn)行，但這一數(shù)值在2019年這個(gè)才不到 3%。

而這一切的背后的原因，表面上看是因?yàn)樘摂M人技術(shù)不斷迭代和發(fā)展。

但再深挖一層來(lái)看，還是其能夠帶來(lái)和創(chuàng)造的價(jià)值。

除了像虛擬主播能夠釋放人力和物力，像夏語(yǔ)冰所具備的繪畫、創(chuàng)作能力，更是能夠打破人類有限的創(chuàng)造力。

總而言之，站在現(xiàn)階段來(lái)歸納虛擬人，或許有三大趨勢(shì)，已經(jīng)再明顯不過：

虛擬人從長(zhǎng)的逼真，到語(yǔ)音、姿態(tài)方方面面的逼真；

虛擬人從“騙得過一時(shí)”到也可以“騙得過一世”發(fā)展；

虛擬人已經(jīng)從黑科技、秀肌肉等詞語(yǔ)跳出，踏進(jìn)各行各業(yè)。

而三大趨勢(shì)匯集在一起，實(shí)際也在指向另一個(gè)更大的趨勢(shì)——

虛擬人正在迎來(lái)質(zhì)變的時(shí)刻。

如果說(shuō)2021年“有虛擬人是新聞”，那么2022年，或許就是“哪個(gè)領(lǐng)域誰(shuí)還沒有虛擬人”了。

One More Thing

縱觀小冰這幾次虛擬人的亮相，背后規(guī)律實(shí)際也不難發(fā)現(xiàn)：

小冰總是“先做后說(shuō)”，也就是讓虛擬人先偷偷“上崗”，然后再悄悄拿結(jié)果驚艷所有人。

而小冰團(tuán)隊(duì)也透露，在已經(jīng)公開“認(rèn)領(lǐng)”的之外，現(xiàn)在還有一個(gè)虛擬人在人類中間“潛伏”已久。

很快，就又會(huì)帶來(lái)一次恍然大明白。

所以小冰這究竟是對(duì)虛擬人技術(shù)極度自信？還是如此反復(fù)之后，讓所有人對(duì)虛擬人“脫敏”，從而成功實(shí)現(xiàn)“AI和人類混居”？

你不妨也猜猜？感興趣的人多了，我們找小冰團(tuán)隊(duì)求解去~

— 完 —

原標(biāo)題：《跟你一塊卷的同事，確定是個(gè)人嗎？》

閱讀原文