程醉

2018年11月7日，在第五屆世界互聯(lián)網(wǎng)大會上，搜狗與新華社聯(lián)合展示了全球首個全仿真智能AI主持人?！八币灾袊侣勚鞑デ窈茷樵?，一經(jīng)亮相便引起了巨大的轟動。這名AI主持人之所以成了最耀眼的明星，主要是因為“他”除了口型稍微有點兒對不上之外，不論是表情還是聲音都達到了以假亂真的地步。

那么，到底什么是全仿真智能AI主持人呢？

要搞清楚這個問題，我們就要先來具體了解一下什么是“AI”。所謂“AI”其實就是人工智能的英文縮寫。AI是計算機科學的一個分支，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。它主要包括機器人、語言識別、圖像識別、自然語言處理以及專家系統(tǒng)等。專家系統(tǒng)是一種模擬人類專家解決問題的計算機程序系統(tǒng)。

簡單地說，全仿真智能AI主持人就是利用人工智能技術，通過模仿真人主播的形象和聲音來朗讀文本內(nèi)容的數(shù)字化播報員。新聞界稱其為“AI合成主播”。

當然，如果僅僅只是一個簡單的數(shù)字化播報員不會引起各界如此強烈的關注?！癆I合成主播”能夠結(jié)合新華社客戶端“現(xiàn)場新聞”，將“AI合成主播”與短視頻一體化生產(chǎn)制作，呈現(xiàn)令人耳目一新的新聞短視頻。“他”不僅在全球AI合成領域?qū)崿F(xiàn)了技術創(chuàng)新和突破，更是在新聞領域開創(chuàng)了實時音頻、視頻與AI真人形象合成的先河。

從官方透露的信息來看，新華社的這個“AI合成主播”主要是在搜狗“分身”技術的支持下，通過人臉關鍵點檢測、人臉特征提取、人臉重構(gòu)、唇語識別、情感遷移等多項前沿技術，結(jié)合語音、圖像等多模態(tài)信息進行聯(lián)合建模訓練，而后生成與真人無異的AI分身模型。

那么，搜狗的“分身”技術具體指的是什么呢？

搜狗“分身”技術誕生于搜狗“自然交互+知識計算”這一人工智能理念之下。這項技術讓機器首次做到逼真模擬人類說話的聲音、嘴唇動作和表情，并且將三者自然匹配，做到惟妙惟肖，這是人工智能技術在模仿人類領域的一個新突破。

這些人工智能技術主要包括語音合成技術、唇形合成技術、表情合成技術以及自然語言處理技術等。其中語音合成技術又涉及支持數(shù)十種音色的高表現(xiàn)力音色，使用少量數(shù)據(jù)即可生成說話人的合成音色個性化合成技術，可實現(xiàn)說話人多種風格遷移的技術等。

簡而言之，生成“AI合成主播”大致分為三步走。首先是被模仿者在鏡頭前錄制一段音頻、視頻數(shù)據(jù)。然后，“分身”技術提取被模仿者的聲音、表情、唇形等個性特征。最后，利用語音合成、表情合成、唇形合成技術，再加上深度學習技術即可合成一個惟妙惟肖的AI主播。

目前，AI合成主播已經(jīng)在新華社正式上崗，并且被運用到進出口博覽會、世界互聯(lián)網(wǎng)大會等重要新聞事件的報道當中?！八被旧夏軌蛲渌嫒酥鞑ヒ黄穑瑸橛^眾帶來權威、及時、準確的中、英文新聞資訊。

AI合成主播相比真人主播最大的優(yōu)點就是能夠24小時不停歇地工作。不但能夠提升滾動媒體的新聞制作效率，還可以有效地降低新聞的制作成本。

那么，在了解了AI合成主播的情況之后，大家難免要為現(xiàn)在的真人主播們擔憂了。這不是活生生搶飯碗的來了嗎？

其實，就目前來看，大家的擔心還為時過早。因為，作為一名還處于研發(fā)過程中的AI新聞主播，“他”本身還有許多需要改進和完善的地方。

不過，未來基于人工智能技術的風格各異的人類形象，在醫(yī)療、教育、媒體、法律咨詢等方面的應用前景無疑是十分廣闊的。

（編輯 文 墨）