相芯科技观察:AI虚拟主播简史

AI虚拟主播又迎来了高光时刻。

2018年,搜狗和新华社联合推出的全球首个AI合成主播的诞生,掀开了“AI+虚拟主播”的神秘面纱,一时间,嗅到“科技红利”的市场各方开始蜂拥而上。2019央视网络春晚推出AI虚拟主持人团队;今年两会期间,新华社推出AI虚拟主播“新小萌”,人民日报推出AI虚拟主播“小晴”;今年五一期间,北京电视台推出AI虚拟主播“小萌花”“小萌芽”,央视五四晚会推出AI虚拟主播“小灵”……

回看这波市场热潮,总让人有一种错觉,仿佛回到了当初世界首个虚拟主持人诞生时的群雄起舞。不过,相比当初略显单薄的虚拟主持人,这次新增的“AI”元素,到底会给市场带来什么变化?

在回答这个问题之前,我们需先来界定一下概念。关于“AI”“虚拟主播”的概念,目前百度百科上已有了明确的定论,但关于“AI虚拟主播”却大多“只闻其声,不知其人”。

翻看各大报道,虚拟主持人和虚拟主播的概念正在相互交融。从主播的定义(百度百科)来看,其在主持人的基础上,还融合涵盖了更多领域,以便适用于互联网时代的多媒体形态。

若以此为基准,AI虚拟主播或可定义为在互联网时代,结合人工智能与三维虚拟形象技术,并可自主承担策划、编辑、主持、制作等一系列工作的主播。

既然定义已经明确,那AI虚拟主播有什么样的故事呢?

这个,要从一段视频开始说起……

1.0时代:雏形初显,虚拟主持人登场

自工业革命起,以机器代替手工劳动就成了人类努力的方向。随后,第一台计算机的发明,让机器开始升级为“人工智能”。步入互联网时代后,“人工智能”更是加快了替代手工劳动的步伐,并从基础的体力劳动层面渐渐转向创意、创作层面。

于是,在翘首期盼了多年后,2001年,传媒业终于迎来了“开辟新天地的创举”——世界上第一个虚拟主持人阿娜诺娃(Ananova)诞生了。CNN将其描述为“一个可播报新闻、体育、天气等的虚拟播音员,堪比一个真实的有血有肉的主播。”

(阿娜诺娃)

阿娜诺娃的出现,有其独特的时代背景。当时,随着网站经济垮台,互联网泡沫破裂,全球动荡不断。而动荡,对于传媒业来说,往往意味着“富矿”。如何加快新闻生产速度,提升新闻播报的准确率,成为了各家媒体竞争的焦点。

英国PA New Media公司正是抓住了这一契机,顺势推出了阿娜诺娃,并将其作为英国传媒业与美联社对抗的“秘密武器”。彼时的阿娜诺娃,虽是一个只有头部动画、表情也略显僵硬的2D虚拟人物,但因可根据新闻脚本快速制作视频,并可24小时持续播报的特点,还是在全球刮起了一阵打造“虚拟主持人”的飓风。

此后,日本推出了寺井有纪(Yuki),中国推出了歌手虚拟主持人阿拉娜(Alana),美国推出了薇薇安(Vivian),韩国推出了露西雅(Lusia)。从2D到3D,从只有头部到拥有全部身体,从只有虚拟人物播报到拥有演播室进行播报,虚拟主持人日渐成熟,被越来越多媒体关注和使用,并引发了全社会对“主持人要下岗”的担忧。

很快,这种担忧就变成了现实。2004年,央视CCTV-6频道推出了国内首位虚拟电视节目主持人—小龙。它采用三维形象技术,拥有高挑的身材,集合了刘德华、梁朝伟和金城武的“脸部精华”,并单独主持了《光影周刊》栏目。小龙的上岗,点燃了国内CG技术从电影级走向消费级的星星之火

(小龙)

但这把“火”来得快,去得也很快。就在小龙诞生的当年,阿娜诺娃就彻底告别了历史舞台。而曾经吹捧过她的所有媒体,开始纷纷关闭旧栏目,开设新栏目,换上新的真人主持,好像阿娜诺娃从未出现过一样。

直至今日,再回看当年的这波虚拟主持人热潮,仍有几点值得反思:

技术的成熟是产品出现的关键但产品的成熟度如何是由市场评判的市场之所以会追捧虚拟主持人,根本目的是为了节省制作成本,提升制作效率。但早期的虚拟主持人,从整个制作过程来看,成本其实远超聘请一位专业真人主持。

(“小龙”的整个制作过程)

、虚拟主持人具有行业特殊性,对语音、表情、肢体等都有很高的要求。相比其他行业,主持人最基本的要求就是口才。也就是说虚拟主持人要达到与真人主持一样的口才,语音识别和自然语言处理的准确率都要求极高。显然在这方面,早期虚拟主持人还没有准备好;其次,要让虚拟人物播报呈现出自然状态,就必须解决口型匹配、表情匹配,乃至肢体动作匹配等问题。毕竟只有“音”“容”“笑”“貌”都像人,才不会有违和感;最后,在制作播报视频时,一定要快、稳、准。新闻行业是一个极为注重时效性的行业,如果制作一个视频就需要花费几天乃至几周的时间,那显然是伪命题。

、虚拟主持人是否一定要像真人,这是在做产品之前必须明确好的方向。早期的虚拟主持人都格外在意“像真人”,似乎这是一条铁律。这很大程度上,源自在当时环境下,主持人大多与新闻播报捆绑,像真人才更有可信度。但从长远发展来看,“像真人”真的是必须的吗?

自阿娜诺娃“死”后,虚拟主持人市场仿佛瞬间熄火,自此步入了长达十多年的“黑暗时代”。

2.0时代:偶像先行,AI虚拟主播顺风飞翔

2016年,当一位自称“超级AI”的虚拟主播绊爱(kizuna ai)在YouTube上首次亮相时,也许谁都没想到,她会成为照亮“黑暗时代”的第一缕曙光。

与早期虚拟主持人不同,绊爱是由真人扮演而成。在专业公司制定好绊爱的3D模型后,由真人穿上动捕设备,在背后控制绊爱的面部动态表情及动作,并由声优去配音及对口型,从而进行直播或录制视频。

(绊爱)

相比早期虚拟主持人,绊爱并不“像真人”,而是以二次元形象出道。但从播报状态上来看,无论是3D形象,还是语音、动作,绊爱相比早期主持人都明显更胜一筹。这种整体播报质感和体验的升级,让绊爱几乎在没有任何市场运作的前提下,YouTube订阅数一路扶摇直上,截止目前已超过259万人,从虚拟主播摇身一变为全民偶像。

绊爱的成功,也有其独特的时代背景。2016年,AlphaGo以1:4打败围棋世界冠军李世石的事实,让人们意识到,已经诞生了几十年的人工智能,处在了可全面商业化的临界点,AI时代正加速到来。

同年,科大讯飞、搜狗、百度先后召开发布会,对外公布语音识别准确率均达到97%。科技自媒体人阑夕曾说,一旦语音识别的准确率达到99%,那将直接进入产业爆发的黎明。巧合的是,这一轮AI虚拟主播热潮的兴起,与AI,特别是语音识别技术的飞跃,几乎是同步的。

智能语音产业的发展速度,在某种程度上影响了AI虚拟主播市场化的进度。但在AI虚拟主播的赛道上,虚拟形象的生成与打造,也是一道绕不过去的坎。毕竟,只有声、没有形的主播,只能存在于广播之中。

2018年5月,科大讯飞携手相芯科技打造了虚拟主持人“康晓辉”。这位虚拟主持人有着与真人相似的外形,不仅与央视记者江凯一同主持了《直播长江》安徽篇,还在现场进行了实时互动。

相比绊爱,“康晓辉”的一大亮点就在于其背后的虚拟形象生成技术(PTA),该技术让人们摆脱了3D虚拟形象定制所需的高昂成本,只需普通摄像头和一张自拍,就可实时生成与自己相似且更美观的3D虚拟形象。

且先不论“康晓辉”与真人有多相似,但其背后离不开真人的操作,还是暴露了AI虚拟主播的不足。毕竟,用真人驱动虚拟形象,对于传媒业来说,并非是一个最好的解决方案。

但“康晓辉”所揭开的瓦片,如同绊爱所带来的曙光一样,还是为传媒业发展指明了一个方向:虚拟主播AI化势不可挡

(图片源自网络)

其后的市场走向,也给出了印证。2018年11月,全球首个“AI合成主播”诞生;2019年3月全球首个“AI合成女主播”诞生;2019年春晚AI虚拟主持人团队诞生……在这套AI虚拟主播的方案中,只需输入一段既有的新闻文本,主播就可实时进行播报,且发音与唇形、面部表情等也完全吻合,无论是看上去还是听上去,似乎都与真人无二了。

当然,这是明面上的效果,确实值得肯定。但这套方案的背后,仍没有完全AI化。有业内人士指出,AI合成主播的背后,其实是真人在“表演”,它的实现方式是在真人脸上叠加真人的3D模型,并通过人脸检测与跟踪技术尽可能让两张脸“合二为一”,以呈现出动态播报效果。

听上去是不是有点问题?没错。试想,如果每一个AI虚拟主播的背后都有一个个真人,那为何不直接用真人就好?逻辑是这样没错,但技术的进步总是需要一个过程,如果与市场的接轨,可以加快技术的进步,避免AI虚拟主播的发展走入“死胡同”,也未尝不是一件好事。

从上述AI虚拟主播的演进路线来看,有三个问题是必须要解决的:

一、 是否可以不需真人,实现AI虚拟主播的全自动播报?

二、 目前来看,定制一个主播的虚拟形象,合成一个主播的音色,都花费巨大,这是否可以解决?

三、 在语音识别已渐入佳境时,语音与虚拟形象的高度匹配,是否会成为行业发展的下一个突破口?

3.0时代:全面AI化,虚拟主播走入千家万户

在电影《西蒙妮》中,人们曾描绘过AI虚拟主播的理想形态:

她是一个由计算机虚拟合成的、高度逼真的三维动画人物。她美得令人无法拒绝,一言一行都与真人一样,并可以完成一切表演、播报,且不会有任何绯闻,妥妥的一枚“完美代言人”。

(图片源自网络)

可以取代人类,且不会出现任何差错,也不会有负面新闻,这是很多人眼中的完美AI虚拟主播。但之后的十多年,不论是影视业还是AI虚拟主播行业,都不得不面对一个现实:虚拟形象“像真人”并不简单,目前这个问题是无解的。

有趣的是,2019年《阿丽塔:守护天使》的上映,彻底打破了这个僵局。阿丽塔不仅成为了世界上第一个翻越“恐怖谷”的虚拟人物,还再一次向世人确认了虚拟人物“像真人”的问题是有解的——烧钱就行。

(阿丽塔的制作成本)

但落地到AI虚拟主播,成本是绕不开的问题,于是主攻的方向就自然变成了如何实现影视级到消费级的技术降维。

目前来看,AI虚拟主播的实现方式大致可分为三种。一是上述提到的“真人操作”模式,这一模式灵感来源于影视业,实现方式也跟影视业差不多,都需要配套真人演绎,前期需要进行大量的数据采集,中期需要动捕设备来配合播报,后期需要对视频制作进行再加工。从前期准备到后期制作,成本都不可谓不高,这大概也是该模式目前仅限于一些大媒体,难以大范围推广的原因所在。

二是“AR+AI”模式,灵感来源于全息投影,实现方式依赖于增强现实技术,具体参考百度的AI虚拟主播“小灵”。这一模式,需要提前设置好AI虚拟主播的回答、动作、表情等,并通过其与真人主播的互动,来制造真实感。且因为AI虚拟主播是后期做上去的,所以现场真人主持与其互动时,就需要靠“演”。但这种实现方式,对真人主持的要求极高,对后期制作的要求也很高,从应用层面来看,要大范围推广难度显而易见。

三是全AI化模式,灵感来源于早期主持人,实现方式和效果却比早期主持人好很多。这一模式分成定制AI虚拟主播和使用视频制作后台两步,其将上述两种方式中“人”的成分大大剔除,专注于用AI来替代人力,将虚拟主播的语音、情绪、动作,乃至后期视频制作需要的图片、视频等都集成到后台编辑系统中。目前来看,它是更接近全自动化,也更节省制作成本、提升制作效率的方式。

(小萌芽、小萌花)

但相比前两者已有多个应用,全AI化的模式目前落地的项目似乎只有世园会期间,北京电视台和相芯科技联手制作的AI虚拟主播小萌芽、小萌花的播报视频。不过,该视频中的AI虚拟主播,虽然语音、动作、表情等都已接近真人,但形象上仍是3D卡通人物。

“像真人”,到底什么才像?目前各方并没有一个明确定论。但从现有的AI虚拟主播来看,相比外形像固定的某一个人,语音、动作、表情,乃至播报时的整体状态像真人,似乎更为重要。而要做到这点,还需不断升级自然语言处理技术和语音动画合成技术,前者让人机交互更自然,后者可让虚拟主播更鲜活。

目前来看,在自然语言处理领域,市场上已涌现了诸如谷歌、微软、思必驰等众多国内外企业;在语音动画合成技术领域上,也涌现了诸如百度、相芯科技、搜狗等国内企业。未来,随着技术加速升级,全AI化的虚拟主播也将加速到来。且相比传统媒体行业的应用,也许在自媒体上,这一愿景将会更早实现。毕竟,从全球市场表现来看,截止2018年底,各大平台上的虚拟主播已经超过了6000个。

迈克斯·泰格在《生命LIFE 3.0》一书中说,生命3.0是一个由人工智能重塑的时代。在这个时代,我们可以设计自己的硬件和软件。这与AI虚拟主播时代,可谓不谋而合。

这个时代,到底离我们还有多远?

立即发帖

热点排行

用户
反馈
返回
顶部