portant;" />

在今年天猫双十一预售日，李佳琦（qí）再次刷新（xīn）了直播记录，39款商（shāng）品秒光，4个多小（xiǎo）时累积突破3000万（wàn）围观。长达4小时的超（chāo）负（fù）荷直播，也让很多（duō）企业想（xiǎng）到“虚（xū）拟（nǐ）主播”代替真人（rén）主播这一新（xīn）的发展机遇。

2018年，搜狗（gǒu）和新华社联合推出的（de）全球首个AI合（hé）成主播的诞（dàn）生，掀开了“AI＋虚拟主播（bō）”的神（shén）秘面纱，一时间（jiān），嗅到“科（kē）技（jì）红利”的市场各方开始蜂（fēng）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（jiān），新华社（shè）推出AI虚（xū）拟（nǐ）主播“新小（xiǎo）萌”，人民日报推出AI虚（xū）拟主播（bō）“小晴”。回（huí）看这两年市场（chǎng）热潮，总让人有一种错觉，仿佛（fó）回（huí）到了（le）当（dāng）初世（shì）界首个（gè）虚拟主持人诞生时。不过，相比当初“昙花一现”的虚拟（nǐ）主播，这（zhè）次新（xīn）增的“AI”元（yuán）素，或许会为市（shì）场带来更多的机会。

虚拟主持的诞（dàn）生

portant;" />

自工业（yè）革命起，以机（jī）器代（dài）替（tì）手（shǒu）工劳动就成了人类努力的方（fāng）向。随后（hòu），第一台（tái）计算机的发明，让（ràng）机器开始升级为（wéi）“人工智能”。步入互（hù）联网时（shí）代后，“人工智能”更是加快了替代手工劳（láo）动的步（bù）伐，并从基础（chǔ）的体力劳动层面渐渐转向创（chuàng）意、创作（zuò）层面（miàn）。在这一时代，更是诞生了诸如（rú）旷视科技、商汤科技（jì）、依（yī）图科技、云从科技、极链科技这样的优质初创人工智能企业。

早在2001年，英国（guó）PA New Media公司（sī）曾推出世界（jiè）上第一个（gè）虚拟（nǐ）主持人阿娜诺娃，一（yī）个只有头部的动画（huà），可（kě）根（gēn）据新闻脚本快速制（zhì）作视频，并可24小时持续（xù）播报。此后，日本推出（chū）了寺井有（yǒu）纪，中国推（tuī）出了小龙，美（měi）国推出了薇薇（wēi）安，韩国推（tuī）出（chū）了（le）露西雅，市场（chǎng）上虚拟主播的地（dì）位一片欣欣向荣。但阿（ā）娜诺娃没（méi）多久（jiǔ）就退出了舞台，曾经（jīng）吹捧过（guò）她的媒体纷纷关闭旧栏目，开设（shè）新栏目，换上（shàng）真人主持，好像（xiàng）阿娜诺娃从（cóng）未出现过（guò）一样。

直至（zhì）今日，再回（huí）看当年（nián）的这（zhè）波虚拟主（zhǔ）持人热潮，仍有几（jǐ）点值得反思：

1．技术（shù）的成（chéng）熟（shú）是产品出现的（de）关键，但产品的（de）成熟度如何，是（shì）由（yóu）市场评（píng）判的。市场（chǎng）之所以（yǐ）会追捧（pěng）虚拟主持人（rén），根（gēn）本目的是（shì）为了节省制（zhì）作成本，提升（shēng）制（zhì）作效率。但早（zǎo）期的虚拟主持人，从（cóng）整个制作过程来看，成本其（qí）实远超聘请一位（wèi）专（zhuān）业真人主持（chí）。

2．虚拟主持人具有行（háng）业特殊性，对语音（yīn）、表情（qíng）、肢体等都有（yǒu）很高（gāo）的要求（qiú）。相比其他行业，主持人最基本的要求就（jiù）是（shì）口才。也就是（shì）说，虚拟主持人要达到与（yǔ）真人主持一（yī）样的（de）口（kǒu）才，语音识别和自然语言（yán）处理的准确率都（dōu）要求极高。显然在这方（fāng）面，早期虚拟主持人还没有这（zhè）种技术。其次，要让虚拟人物播报呈现出自然状态，就必须解决口型（xíng）匹配、表（biǎo）情匹配，乃至肢体动作匹配等问题。最后，在（zài）制作播报视（shì）频时，一定（dìng）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（yī）个视频就（jiù）需要花费几天乃至几（jǐ）周的时间，那虚（xū）拟主持（chí）人（rén）取代真人主持显（xiǎn）然是伪命（mìng）题。

3．虚拟（nǐ）主持人是否一定要像真（zhēn）人（rén），这是在做产品之前必（bì）须明确好的方向。早（zǎo）期的虚拟主持人都格外在意“像真人”，似乎这是一条铁（tiě）律。这很大程度上，源自在（zài）当时环境下，主（zhǔ）持人（rén）大多与新闻播报捆绑（bǎng），像真人才更有（yǒu）可信度。但从（cóng）长远发展（zhǎn）来看，“像真（zhēn）人”真的是（shì）必须的吗（ma）？

合成技术（shù）原理

其实所谓的“像（xiàng）真人”，不外乎是运用“AI合成”技术。“虚拟主（zhǔ）播”通过提取（qǔ）真人主播（bō）新闻播报视频中的声音（yīn）、唇形、表情动作等特征，运用（yòng）语音、唇形、表情合成以及深度学习等技术联（lián）合建模训练而成。

该（gāi）项技术要能（néng）够（gòu）将所（suǒ）输（shū）入的中英文（wén）文本自动生（shēng）成相应内容（róng）的（de）视频，并（bìng）确保（bǎo）视频中音（yīn）频和表情、唇动保持自然（rán）一致（zhì），展（zhǎn）现与真人主播无异的（de）信（xìn）息传达（dá）效（xiào）果。但在此之前（qián），出现在大众媒体上的（de）虚拟主播，多半（bàn）只有声（shēng）音，或（huò）者匹配一个量身定制的虚拟（nǐ）形象，比如微软小冰（bīng）在东方（fāng）卫视担任天气预报（bào）员就是（shì）如此。

要实现这样的效果，两大要求缺一不可。其一是高（gāo）逼（bī）真（zhēn）度。要能够自动生成语音、表情、唇（chún）动等信息完全一致的自然视频，并已达（dá）到商（shāng）用级别。其（qí）二是（shì）低成本（běn）的个性化定制。小数（shù）据（jù）的学习模型（xíng），使用少量用户真实音视频数据，快速迁（qiān）移生成（chéng）虚拟的分身（shēn）模型，快速定制出高逼真度的分身模型。最后，使用（yòng）时（shí）输（shū）入一（yī）段文本（běn），即可生成与真人无异的（de）同步音视频。

除（chú）此之外，语（yǔ）音合成引擎和图像（xiàng）生成引擎（qíng）也是重要的两点。在语音合成引擎中（zhōng），基于用户少量（liàng）音（yīn）频数据，使用语（yǔ）音合（hé）成技术，快速学习用户音（yīn）色、韵律、情（qíng）感等多维度特（tè）征（zhēng），建立输入文（wén）本与输出音频信息的关联。

图像生成（chéng）引擎，则是使用人脸识别、三维（wéi）人（rén）脸重建、表情建模（mó）等技（jì）术（shù）对人（rén）脸（liǎn）表情动作进行特征学习（xí）和建模，建立输（shū）入文本、输出音频与输出视觉信（xìn）息的关联映（yìng）射，生成输出（chū）分身（shēn）视（shì）频。

最后，两大引擎协（xié）作打磨，最（zuì）终才（cái）能实现“AI合成主播”，能够逼（bī）真模拟人类（lèi）说（shuō）话（huà）的声音、嘴（zuǐ）唇动作和表情（qíng），并将三（sān）者自然匹配，做到（dào）惟妙惟（wéi）肖（xiāo），让（ràng）机器以更逼真自然（rán）的形象（xiàng）呈（chéng）现（xiàn）在用户面前。

小结：

和真人主播相比，“虚拟主播（bō）”能够不知疲倦地工作24小时，同时还掌握多（duō）国（guó）语（yǔ）言，大大提升（shēng）效率、降低成（chéng）本。甚（shèn）至写好文字稿，“ 虚拟（nǐ）主播”就能即可播送了，还不会出现口误或NG，更（gèng）是（shì）让个性化（huà）内容（róng）生成的门（mén）槛大为降低。娱乐、医疗健康、教育（yù）、法律等多（duō）个领域和场景（jǐng），无一不适用。未（wèi）来，这项技术或许在虚拟教师、虚（xū）拟医生，虚拟客服等需要人类参与的内容表达场景，都能发挥出其价值。