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(xiǎn)，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(huì)上，驚現(xiàn)全球首個(gè)「AI合成主播」，AI合成主播可以模仿真實(shí)主播的音容笑貌，就連在發(fā)布會(huì)現(xiàn)場(chǎng)的主持人也戲稱，“讓一個(gè)真實(shí)主播主持一個(gè)「AI合成主播」的發(fā)布會(huì)，向世人宣布合成主播的強(qiáng)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(tuán)隊(duì)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(shí)時(shí)高效輸出音視頻合成效果，獲得實(shí)時(shí)的播報(bào)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(jìn)行新聞或節(jié)目播報(bào)，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(duì)鏡頭錄制一段播報(bào)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(dòng)作等特征進(jìn)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(bào)能力的AI合成主播。只需要提供文字，AI合成主播就能準(zhǔn)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(jī)器人“快筆小新”，據(jù)了解，這一機(jī)器人已經(jīng)在體育、財(cái)經(jīng)領(lǐng)域得到應(yīng)用；同年，新華社組建了國內(nèi)首個(gè)新聞無人機(jī)編隊(duì)，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(tái)），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(shí)代的又一次嘗試，新華社副社長(zhǎng)劉思揚(yáng)在發(fā)布會(huì)現(xiàn)場(chǎng)也表示，“此舉將大幅壓縮新聞播報(bào)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(bào)道隊(duì)伍中新的一員。”

AI合成主播的“分身術(shù)”

此次現(xiàn)身的AI合成主播的亮點(diǎn)在于其完美的“分身術(shù)”。其實(shí)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(shí)音視頻數(shù)據(jù)，快速遷移生成虛擬的分身模型。使用時(shí)輸入一段文本，即可生成與真人無異的同步音視頻。

簡(jiǎn)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(biāo)簽化，把那個(gè)根據(jù)語義合成表情；通過機(jī)器學(xué)習(xí)自動(dòng)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(gè)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(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信息的關(guān)聯(lián)映射，最終生成輸出分身視頻。

通過這項(xiàng)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(gè)風(fēng)格各異的人類形象，用于新聞播報(bào)、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(rèn)為，新華社引入AI合成主播很可能只是一個(gè)開始，未來各行業(yè)中都會(huì)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(huì)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(zhǔn)度和工作效率；另外一類是監(jiān)控及維護(hù)工作，在機(jī)器發(fā)生錯(cuò)誤或宕機(jī)時(shí)人為做出及時(shí)調(diào)整，以加強(qiáng)機(jī)器的容錯(cuò)率。

“分身術(shù)”的兩大難點(diǎn)

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(gè)難點(diǎn)：

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(rèn)可，是因?yàn)槠湓缙诎姹镜淖R(shí)別率低，另外，“機(jī)器口音”太重也使得交互體驗(yàn)大打折扣。而隨著近年來語音技術(shù)的進(jìn)步，語音識(shí)別率不斷突破，現(xiàn)在主流語音系統(tǒng)的識(shí)別能力都能達(dá)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(xiàng)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(dòng)生成語音、表情、唇動(dòng)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(dá)到商用級(jí)別，在業(yè)內(nèi)尚屬首次；

低成本個(gè)性化定制。當(dāng)下要想生成一個(gè)穩(wěn)定、高精度的AI模型，仍需要搜集大量數(shù)據(jù)，對(duì)AI模型進(jìn)行訓(xùn)練。搜狗官方表示，搜狗分身僅需使用少量用戶真實(shí)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(qiáng)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(jī)，更可能有一個(gè)隨叫隨到的虛擬助手，而此次在互聯(lián)網(wǎng)大會(huì)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(shí)，未來也可能會(huì)出現(xiàn)更多顛覆性技術(shù)和形態(tài)。