遠(yuǎn)傳科技“數(shù)字主持人”誕生記：不是復(fù)制，而是創(chuàng)造一個(gè)新模態(tài)

　 阿里云優(yōu)惠券 先領(lǐng)券再下單

遠(yuǎn)傳科技從未停止“造人”的腳步。

除了有“AI虛擬主播”之外，現(xiàn)在連“數(shù)字主持人”也來(lái)了，“數(shù)字主持人”到底是什么呢?

遠(yuǎn)傳科技的“數(shù)字主持人”是通過(guò)語(yǔ)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)能力的數(shù)字人。通過(guò)語(yǔ)音合成技術(shù)和視頻驅(qū)動(dòng)技術(shù)，只需要輸入一段文本，它就能在屏幕展現(xiàn)虛擬數(shù)字人形象并進(jìn)行新聞播報(bào)，且唇形動(dòng)作能與播報(bào)聲音實(shí)時(shí)同步。

或許在不久的未來(lái)，你再也分不清視頻中的主持人，究竟是真人還是虛擬人，而這一天正在到來(lái)。

一、根源探究：「高逼真」的背后

遠(yuǎn)傳科技“數(shù)字主持人”以真人為原型，通過(guò)將真人形象數(shù)字化掃描技術(shù)，建立超寫(xiě)實(shí) 3D 數(shù)字人建模，多模態(tài)識(shí)別及生成、實(shí)時(shí)面部動(dòng)作生成及驅(qū)動(dòng)、遷移學(xué)習(xí)等技術(shù)「熔爐」，煉就而成。

從效果上來(lái)說(shuō)，3D AI 合成主播給人的最大印象便是高逼真，它較好的還原了真人的發(fā)膚、表情;同時(shí)，靈活性、可塑性更強(qiáng)，擁有的豐富的面部表情動(dòng)作，嘴部唇動(dòng)，以及身體的輕微擺動(dòng)，具備在更廣闊空間使用的潛力。

透過(guò) 3D AI 合成主播技術(shù)實(shí)現(xiàn)過(guò)程，我們探究它為何擁有如此逼真的效果。

1.數(shù)字化掃描技術(shù)還原真人形象

建立人物模型必須要有海量數(shù)據(jù)，遠(yuǎn)傳科技數(shù)字化掃描技術(shù)通過(guò)攝像頭對(duì)真人原型的身體各個(gè)部位進(jìn)行全方位「打點(diǎn)」掃描，采集每一處細(xì)節(jié)，并對(duì)其多種形態(tài)的面部表情動(dòng)作，嘴部唇動(dòng)，以及身體的輕微擺動(dòng)進(jìn)行細(xì)致入微地捕捉記錄，還原真人形象。

2.深度學(xué)習(xí)算法生成3D數(shù)字人模型

遠(yuǎn)傳科技算法工程師熟練應(yīng)用深度學(xué)習(xí)算法，對(duì)算法里的大量參數(shù)進(jìn)行調(diào)優(yōu)，確保生成的3D數(shù)字人模型能夠精確的還原真人在正常說(shuō)話時(shí)候的唇部動(dòng)作，臉部表情及微動(dòng)作，對(duì)3D數(shù)字人模型進(jìn)行實(shí)時(shí)驅(qū)動(dòng)、渲染，使其面部肌肉驅(qū)動(dòng)、表情肢體和語(yǔ)言表達(dá)能力達(dá)到一個(gè)較高的度契合。確保非專(zhuān)業(yè)人士無(wú)法分辨出是真人拍攝的視頻還是通過(guò)數(shù)字技術(shù)合成出來(lái)的視頻。

二、核心亮點(diǎn)： AI 驅(qū)動(dòng)、多模態(tài)交互

1.AI 驅(qū)動(dòng)的 3D 數(shù)字人

遠(yuǎn)傳科技“數(shù)字主持人”是一種由AI所驅(qū)動(dòng)的虛擬存在，擁有和真人一致的音容、笑貌和言談舉止，擁有表達(dá)情感和智慧的能力。仔細(xì)觀察你會(huì)發(fā)現(xiàn)， 3D AI 合成主播是基于 AI 算法實(shí)現(xiàn)驅(qū)動(dòng)。

具體來(lái)說(shuō)，3D “數(shù)字主持人”靠 AI 算法實(shí)時(shí)驅(qū)動(dòng)，輸入一個(gè)文本就能輸出一個(gè)視頻，往往生成一個(gè) 1 分鐘的視頻，僅只需要 1 分鐘，幾乎可以看作實(shí)時(shí)生成。

2.關(guān)鍵技術(shù)賦能多模態(tài)交互創(chuàng)新

唇動(dòng)算法、3D建模技術(shù)、深度學(xué)習(xí)算法、5G通信等關(guān)鍵技術(shù)探索文本、語(yǔ)音和視覺(jué)多模態(tài)交互創(chuàng)新的無(wú)限可能。

遠(yuǎn)傳科技利用唇動(dòng)算法分析出數(shù)字人應(yīng)顯示的口型標(biāo)記，突破語(yǔ)言交流過(guò)程的表情和唇動(dòng)的無(wú)縫鏈接;根據(jù)給定人物形象要求，建立數(shù)字人3D模型，綁定骨骼，創(chuàng)立動(dòng)作動(dòng)畫(huà)和口型動(dòng)畫(huà);基于深度學(xué)習(xí)算法、肢體捕捉技術(shù)，將文本、音頻和圖片實(shí)時(shí)生成數(shù)字人視頻;5G通信技術(shù)則讓用戶(hù)跟數(shù)字人進(jìn)行語(yǔ)音視頻互動(dòng)成為可能，麥克風(fēng)和攝像頭捕捉用戶(hù)的語(yǔ)音和動(dòng)作，數(shù)字人的后端人工智能算法根據(jù)場(chǎng)景生成對(duì)應(yīng)的數(shù)字人交互動(dòng)作、表情和語(yǔ)音。

三、未來(lái)已來(lái)，你準(zhǔn)備好了嗎？

遠(yuǎn)傳科技“數(shù)字主持人”雖然基于真實(shí)的人進(jìn)行建模，但呈現(xiàn)在人們面前的行為都是完全逼真的，能像真實(shí)主播一樣，去笑，去哭，去表達(dá)，是被創(chuàng)造出來(lái)的一個(gè)“數(shù)字人”。

數(shù)字人的未來(lái)將會(huì)作為主體人的一個(gè)副本形式存在于數(shù)字世界中，在未來(lái)的數(shù)字世界中我們將無(wú)法分辨出真人和數(shù)字人，大量在數(shù)字世界的服務(wù)將都會(huì)由數(shù)字人來(lái)代替，在電話客戶(hù)服務(wù)、線上產(chǎn)品講解、電商直播甚至線上演唱會(huì)等眾多場(chǎng)景都將會(huì)有數(shù)字人的角色參與，數(shù)字化終極未來(lái)也許就是數(shù)字人的世界。

你準(zhǔn)備好接受一個(gè)數(shù)字世界了嗎?

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！