边策 李根 发自 凹非寺 量子位 报道 | 公众号 QbitAI
搜狗又在乌镇世界互联网大会上搞了大新闻。
2016年，王小川在正式论坛里秀出AI同传，那是机器实时翻译技术，首次在高规格国际会议上实战应用。
而这一次，依然世界互联网大会，搜狗联手新华社，发布的是一项名为AI合成主播的技术。
这项新技术，可比AI同传所需的语音识别、机器翻译更复杂，需要的AI能力更全面。
直白言之，就是“克隆”出与真人主播拥有同样播报能力的“分身”。
此前，类似技术尝试的有，商业化产品发布的无。
新华社给出评价：
这不仅在全球AI合成领域实现了技术创新和突破，更是在新闻领域开创了实时音视频与AI真人形象合成的先河。
这究竟是一项怎样的技术？
AI合成主播
其实所谓“AI合成”，主要强调了其技术原理。
“AI合成主播”是通过提取真人主播新闻播报视频中的声音、唇形、表情动作等特征，运用语音、唇形、表情合成以及深度学习等技术联合建模训练而成。
该项技术要能够将所输入的中英文文本自动生成相应内容的视频，并确保视频中音频和表情、唇动保持自然一致，展现与真人主播无异的信息传达效果。
如果从落地场景去看，就是喜闻乐见的虚拟主播。
但在此之前，出现在大众媒体上的虚拟主播，多半只有声音，或者匹配一个量身定制的虚拟形象。
比如微软小冰在东方卫视担任天气预报员，就是如此。
不过搜狗的“AI合成主播”，讲究的是以假乱真，需要的技术难度和产品打磨挑战，几乎不能相提并论。
△ 搜狗AI合成主播效果
如果没有提前告知，是不是难辨真假虚实？
要实现这样的效果，2大要求缺一不可：
- 一、高逼真度。要能够自动生成：语音、表情、唇动等信息完全一致的自然视频，并已达到商用级别。
- 二、低成本的个性化定制。小数据的学习模型，使用少量用户真实音视频数据，快速迁移生成虚拟的分身模型，快速定制出高逼真度的分身模型。
最后，使用时输入一段文本，即可生成与真人无异的同步音视频。
听起来不难，实现却要经历“九九八十一难”。
人前近乎炫技的综合能力，幕后是一项又一项来不得半点马虎的小技术达成。
技术原理
背后包含了2大AI引擎。
一是语音合成引擎。在语音合成引擎中，基于用户少量音频数据，使用搜狗个性化语音合成技术，快速学习用户音色、韵律、情感等多维度特征，建立输入文本与输出音频信息的关联。
另一个是图像生成引擎。使用搜狗人脸识别、三维人脸重建、表情建模等技术对人脸表情动作进行特征学习和建模，建立输入文本、输出音频与输出视觉信息的关联映射，生成输出分身视频。
最后，2大引擎协作打磨，最终才能实现“AI合成主播”——能够逼真模拟人类说话的声音、嘴唇动作和表情，并将三者自然匹配，做到惟妙惟肖，让机器以更逼真自然的形象呈现在用户面前。
应用场景
虽然媒体领域应用，就已足够惊人。
因为和真人主播相比，“AI合成主播”能够不知疲倦地工作24小时，同时还掌握多国语言，大大提升效率、降低成本。
甚至写好文字稿，“ AI合成主播”就能即可播送了——还不会有口误或NG.
但“AI合成主播”出现，更是让个性化内容生成的门槛大为降低，娱乐、医疗健康、教育、法律等多个领域和场景，无一不适用。
虚拟教师、虚拟医生，虚拟客服等需要人类参与的内容表达场景，都能发挥价值。
当然，To B商业应用居多，但如果你想试，搜狗方面称，在手机上借助“搜狗制音坊”小程序，也能通过录制用户一段讲话，让其转化为各种名人的声音——这就是语音合成技术在作用。
视觉方面的合成也能试，比如秒变吴彦祖：
总之，技术已经ready，就看怎么找场景落地了。
外媒评价
此外，因为史无前例，所以这个“AI合成主播”，确实也让外媒对中国AI惊叹了一把。
《南华早报》评价，知名主播在新闻制作中的稀缺资产，现在通过AI，克隆而成的“他们”有能力一天工作24小时。
CNET称：搜狗技术支撑，新华社亮相了新主播，不细看不知道不是真人。
Theverge也评价：AI开始进入官方新闻播报这样的场景，说明技术已不是早期阶段了。
总之，对一家中国公司的AI技术进展如此应用如斯，确实震惊了。
进击的搜狗
不过，如果回顾搜狗今年以来的种种AI技术进展，或许这个大新闻，也情理之中：
- 语音识别：借助搜狗输入法等产品落地，搜狗语音识别准确率突破98%（口音、噪音条件较可控环境下），行业领先；
- TTS：语音合成界国际顶级大赛Blizzard Challenge 2018 中，搜狗获“可懂度”和“语音停顿”两项子任务全球第一；
- 机器翻译：机器翻译在国际翻译顶级学术赛事WMT 2017中获中英机器翻译全球第一、IWSLT2018国际口语机器翻译评测大赛全球第一；
- 人机对话：在NLPCC 2018比赛中，搜狗语义理解技术获得第一名、NTCIR 2017评测比赛短文本对话任务第一；
- 机器视觉：在自动驾驶领域国际顶级评测CVPR WAD 2018道路目标检测任务全球第一、Pascal VOC 2018挑战赛目标检测Competition 3，4两项子任务，全球第一、国际自动驾驶领域权威评测集Cityscapes 2018实例分割评测任务全球第一、MegaFace 2018人脸识别任务，以99.939%的准确率，获全球第一。
所以天道酬勤，AI进程中的搜狗，此时发布全球首个AI合成主播，个人奋斗得偿而已~
