百度大腦出了個AI虛擬主持人 我扒了扒這位新青年的“前世今生”_風聞

文|吳俊宇

昨天是五四青年節，提及青年節，就不得不説“德先生”和“賽先生”。

100年前的五四運動中，響徹着“只有德先生、賽先生可以救中國”的口號。

“德先生”，即“Democracy”，德莫克拉西（音譯）——意指先進的思想。

“賽先生”，即“Science”，賽因斯（音譯）——意為，“科學”，所謂“科學”是指近代自然科學法則和科學精神。

今年央視五四晚會的主持人包括“賽先生”——春晚紅包之後，央視和百度再攜手五四晚會百度大腦AI虛擬主持人“小靈”。

這個虛擬主持人和主持人王俊凱、尼格買提同台競技，絲毫不落下風。

“小靈”背後的技術提供就是百度大腦，其中糅合了百度視覺、語音、大數據以及AR能力，打通了大小屏，讓每個電視機前的觀眾不僅可以看到晚會中的虛擬主持人，還能直接與它進行互動體驗。

當年五四運動的“總司令”陳獨秀如果見到“小靈”，恐怕也會驚歎今天中國技術之強大。

一

技術秀在哪兒

在五四晚會中，主持人“小靈”邀請旁邊的真人主持人用人臉識別測測自己是祖國的什麼花。女主持人和“小靈”的互動非常自然流暢。

很多觀眾有個非常強烈的感受——這個AI主持人似乎遠比市面上其他AI主持人更細膩。

其他AI主持人似乎都是機器人腔，而且發聲時嘴巴只是一張一合，明顯對不上號。百度大腦這個AI主持人，怎麼看怎麼覺得舒服。

要做到“舒服”可不容易，這需要語音、表情、唇動這些技術都擬合在一起。

1、語音音色要自然

一般AI語音背後都有個語音庫。我在谷歌AI博客上找了下AI語音合成的技術模型圖。

大概翻譯一些這個圖的意思：AI語音庫製作的步驟大概是三步。

第一步是將文本變成音頻，先確定音色、風格、使用領域、產品特性、角色要求。

第二步找到配音員試音，根據需求設計試音文本，收集錄音。

第三步是確投入音庫生產線，錄音腳本設計、錄音資源訓練、效果優化、豐富音色。

百度大腦為此準備了幾十個音庫，找播音主持專業的學生專業錄製了各式各樣的聲音，具備非常豐富的音色矩陣。

每個音庫只要用户喜歡，都可以做成一個虛擬主播、虛擬人物的形象。這背後的技術其實基於業界領先的深度神經網絡技術，提供高度擬人、流暢自然的語音合成服務，可以讓應用、設備開口説話，更具個性。

我在百度大腦AI開放平台找到了百度大腦AI開放平台語音合成技術的體驗區。以度逍遙這個情感男聲為例測試了一句話：今年是五四運動一百週年。

這個男聲有着非常明顯的特點，非常舒服渾厚的京腔，不知道的人還以為是一個播音主持人在和自己説話。

可以説，百度機器學習模型的研究上取得了突破性成果，其生成的仿人類語音更加逼真自然，將仿人類語音與真實人類聲音之間的差異大大減小了。

2、表情唇動要豐富

人的表情，其實是由面部肌肉以及唇動共同組成的，不同人有不同肌肉動作。

以下面這張圖為例，人可能有千百種表情，不同人在表達喜悦、恐懼、得意、焦慮的時候，表情都不一樣。

真的把表情交到人類面前時，我們都不一定可以把不同表情做準確歸類。

但是機器可以做到啊。基於大量的面部特徵的數據學習去做提取，機器可以把面部肌肉、唇部動作最細膩的表現都展開學習、歸納，然後從中總結，學習人類的表情特徵。

在需要輸出的時候，再用深度學習做表情驅動，使得表情更加豐富，甚至連發色、年齡都可以自動生成。

百度大腦的技術邏輯和這個其實也基本大同小異。

百度大腦AI開放平台上提到，百度大腦在檢測出人臉後，可對人臉進行分析，獲得眼、口、鼻輪廓等150個關鍵點定位，準確識別多種人臉屬性，如性別，年齡，表情等信息。這個技術還可適應大角度側臉，遮擋，模糊，表情變化等各種實際環境。

百度大腦把聲音、表情、嘴唇的這些素材經過了數據採集、特徵分析、模型訓練，用深度學習的一些核心算法和思想做了唇動技術，讓唇動、表情和語音更好的用不同的特徵表示聯繫在一起。

過去其他的AI主持人只是有一個語音庫，表情和唇動非常初級，百度等於是把三項技術全部都擬合在一起了，而且再通過AR技術輸出出來，比別的廠商想得更多、更細。

二

產品用在哪兒

你以為百度大腦的AI主持人只能用於這種晚會主持？

當然不止於此。它背後涉及的技術包括面部識別、語音合成、AR輸出等等。這些AI技術可以組合成不同的產品，開放給其他客户使用，幫助行業客户改善服務、提升效率。

事實上，依託於百度大腦的百度AR Lab(百度增強現實實驗室)，就在提供AR技術、產品、服務一站式智能交互解決方案，業務已廣泛覆蓋營銷、娛樂、教育、文化等各個領域。

1、教育和閲讀類產品：讓課程和講解變得更生動

通過閲讀類APP閲讀小説或新聞時，如果使用語音合成技術為用户提供多種發音人的朗讀功能，釋放雙手和雙眼，獲得更極致的閲讀體驗。

實際上，熊貓看書、快聽小説已經在使用百度大腦這項技術。用户可以直接用語音播放電子書中的內容。

教育類的客户同樣可以引入這樣的AI主持人，在一些兒童故事機、智能機器人這類教育類設備或課程之中定製屬於自家產品的形象、聲音，讓課程變得更親切。

深圳一家名為AiMouse的智能鼠標廠商以及Kido兒童手錶品牌都使用了百度這項技術。Kido通過運用百度語音識別和語音合成技術，優化了機器人的語音交互體驗，讓兒童手錶實現語音交互。這款手錶的日活躍量也達到了百萬級別。

2、生活和服務類產品：讓服務交互效率得以提升

語音合成還可應用於打車軟件、餐飲叫號、排隊軟件等場景，通過語音合成進行訂單播報，讓用户便捷獲得通知信息。面部識別則是可以展開顧客識別、訂單校對。

不管是語音合成還是面部識別，都天然適合服務業場景。一些酒店、飯店等服務業可以定製一些屬於自己的機器人，幫助顧客做客服。在訂單校驗的過程中則是可以用顧客的面部特徵為基礎展開服務。

嘀嗒出行出租車業務的“聽單”以及順風車業務的“聽單功能+派單服務”中都用到了百度的語音合成技術。

從2017年10月開始接入百度語音合成SDK。隨着嘀嗒業務的增長，調用量每日都在攀升，日調用超過千萬次以上，而錯誤率幾乎為零。百度語音合成技術保證了核心派單功能的穩定服務。

3、影視文娛產業：節省動漫動畫行業的人力

影視、動漫行業未來效率也能因百度大腦這套AI技術得到很大提升。

過去動漫、影視劇行業為了給動畫人物唇形、表情，必須手動一點點調整，而且很看動畫師主觀的思考。

百度這一套技術輸出給動漫行業的話，直接機器生成就OK，動畫師後期修改也很方便。程序驅動以後，動畫人物語言的唇動連續性也是完全一樣的。不會出現在説同一個詞彙時出現不同唇動的現象。

影視劇、動漫產業的動畫師未來可以把更多精力放在更多有價值的工作上，這樣不僅可以節省人工成本，還縮短了工作時間。

當然，文中列舉的這些案例完全不能概括面部識別、語音合成、AR這些技術融合帶來的應用場景。

我列舉這些案例的意思是，你只有非常努力，才能看起來毫不費勁。

三

百度領軍“賽先生”

央視五四晚會上這個AI主持人表面上看起來只是在主持一檔晚會。實際上它所需要用到的AI技術底藴深厚，放到各行各業可以有更大的實際效益。

這也正如美國軟件技術專家艾德·伯內特説過的一句話：

現在天上有三十一顆衞星在地球上空環繞，不為別的，就為了告訴你便利店怎麼走。

如果你只看到了手機地圖上的便利店要怎麼走，你顯然低估了很多事情。

因為天上那三十一顆衞星不僅僅在服務你，更在服務各行各業——那才是你沒看到的東西。

英國學者李約瑟（Joseph Needham）在編著的《中國科學技術史》中提出此問題：

儘管中國古代對人類科技發展做出重要貢獻，但為什麼科學和工業革命沒有在近代中國發生？

作為享譽世界的文明古國，在技術上有過那麼多自豪成就。明明自己發明了火藥，卻被八國聯軍炸掉了封建牌坊；明明發明瞭指南針，卻被英國的戰列艦找上門來。

100年前的五四運動就是探尋這個答案的過程。五四青年們因為國家積貧積弱，走上呼喚“德先生”和“賽先生”的道路。

可以説，德先生和賽先生，是推動中國社會前進的兩個車輪。

在今天，全世界範圍內同樣在展開一場圍繞着“賽先生”的競爭——未來20年，是AI的時代，AI就是當代“賽先生”。

百度為代表中國企業在AI領域已經不遑多讓，多年以前呼籲的“賽先生”已經不是短板。“賽先生”甚至正在成為今天中國走到世界技術之巔的重要基石。

以AI為代表的“賽先生”讓萬事萬物都處於精確計算之中，正如當代哲學家西閃《國家的計算》所説的：

在現實世界的“賭局”中，帕斯卡的上帝已經隱退，取而代之的，是作為信仰的“未來”。它像一個永恆的獎盃，在時間的盡頭閃閃發光。計算則取代了程式化的行為訓練，演變成為一種新的思維習慣。“理性的計算”已經成了是近現代的過程最主要的特徵。

五四運動的倡導者陳獨秀如果看到中國科技企業把“賽先生”搞得這麼強，怕是也要説一句，“你真秀！”

​