虚拟人已防不胜防

金磊 发自 凹非寺

非常AI 报道 | 公众号 QbitAI

一群人围坐在一间会议室里，他们的目光全部聚焦在大屏幕中播放的视频上。

这其实是《每日经济新闻》再日常不过的一次内容审核会议。

但这一次的背后，却有一场较量在“暗流涌动”。

内容团队和往常一样，仔细地端详着灰度测试视频中主播播报的新闻。

但与此同时，同一屋檐下的技术团队同事，这一刻却在紧握双拳、捏着一把冷汗：

“千万不要发现任何端倪……”

没错，正是这样一段看似再正常不过的新闻播报，却成为了这场“较量”的根本所在——

因为视频里的主播N小黑，TA并不是个人，而是由AI技术合成的数字虚拟人。

当众人反应过来之后，这件事情在《每日经济新闻》内部迅速炸开了锅，后来甚至有人还问“视频里的哪部分是AI”？

技术团队给出的解释则是：

从表情到姿态，再到文字，全部都是。

而后来，这项技术更是悄悄地上线了70天，然而就连眼尖的观众们都没有发现异常。

当真相公之于众之际，结果可想而知，瞬间引发了大量的关注。

《每日经济新闻》更是把它置顶到了其官方微博之上，重视程度可见一斑。

而这一切背后的技术，正是来自小冰团队的小冰框架 （Xiaoice Avatar Framework）。

但讲真，这还真不是小冰团队第一次让虚拟人惊艳于公众面前。

你是不是个人，我已经感知不到了

小冰在打造N小黑的同时，其实还公布了另一个AI——N小白。

他俩在虚拟主播界的自然程度，可以说是第一次提高到了与人类较为接近的程度。

从他们在视频的表现中不难看出，在播报新闻时的表情神态、嘴部变化，甚至是肢体动作的配合，都是具有一致性。

而且与N小黑一样，N小白也是在被“公之于众”前，连续70天、24小时不间断地做着新闻直播，也是没被发现的那种。

但也正如刚才提到的，N小黑和N小白只是小冰众多虚拟人中的一隅。

这不最近，一名叫做崔筱盼的万科员工获得总部优秀新人奖的消息，刷爆了朋友圈。

原因无他，因为崔筱盼也并不是个人，同样也是小冰框架下打造的虚拟人。

据介绍，崔筱盼其实早在2021年的2月份便入职万科，在职期间主要负责各种应收/逾期提醒及工作异常侦测相关工作。

在系统算法的加持下，她能够以惊人的速度学会人类在流程和数据中发现问题的方法。

她最终的工作成绩，便是人类效率的千百倍，更是在催办预付应收逾期单据核销率达到91.44%。

而且崔筱盼的形象也是成为此次爆火的原因之一。

很多网友对她的形象评价为“知性美”，更有甚者“傻傻分不清”她是真人形象还是AI创造出来的。

但比起逼真和美貌，崔筱盼形象上更独特的一点便是相由心生。

没错，小冰框架在创造她的形象时，并非是凭空而造，而是与她自身具备的业务能力相匹配的。

（也难怪崔筱盼会散发出职场女强人的气息了）

当然，除了上述的虚拟人之外，诸如操着一口浓郁方言的“山东大哥”：

从央美毕业、最近代表中国参加迪拜世博会的夏语冰，它们均是出自小冰框架之手：

……

不难看出，这些小冰创造出来的众多虚拟人，他们都具备各自的“看家本领”。

那么接下来的一个问题便是——

既能做到逼真，又富有多样性，还能批量工厂式生产，小冰是如何做到的？

像个人，并不容易

小冰现在做出来的虚拟人，无论是静态的照片，或者是动态的新闻主播，都可以说是真假难辨。

但讲真，尤其是在打造N小黑和N小白的时候，小冰团队最初也遇到了许多挑战。

因为在此之前，大家能够看到的所谓AI虚拟人主播还是比较假的。

例如主播的表情不够自然，下半身几乎不动，以及播报出来的语言也是带有“机械味”。

甚至《每日经济新闻》团队的成员都对此举打出了大大问号：

我们为什么要放上去这么假的虚拟人呢？

对此，小冰团队为了首次能够达到人类无法区分的程度，便在技术路线上做出了核心改变。

先从整体来看，小冰框架依然是核心。

而这一次的技术关键改变，在于对视觉上的优化。

以往我们在电影中能够看到的逼真效果，要么采用的是传统3D建模方法，要么就是CG后期渲染。

但这两种方法在时间周期和资金成本上的缺点也是非常明显。

基于这种现状，小冰团队便提出了一种新的方法——深度神经网络渲染技术 （XNR）。

简单来说，这项技术主要包含三个步骤。

第一步是构建两个专家模型。

第一个是语音专家模型，基本的思路便是利用很大量的数据来学习、理解人类的语音。

例如人类在讲话讲到激动的时候，他的嘴型都会有比较明显的变化，而语音专家模型就是学会这项技能。

第二个是专家模型，则是通过采集摄像机等设备拍出来的人物视频数据，学习人类在说话过程中，嘴部的变化与眼睛、脸部其它肌肉之间如何产生微妙的联动变化。

如此一来，就能会让虚拟人在说话时，整个面部表情能够变得自然流畅。

第二步便来到了渲染的环节。

也就是将语音输入到深度神经网络渲染模型，而后会一帧一帧地渲染出自然的脸，并形成动态的过程。

但在这个过程中，前两个专家模型也会起到一个监督的作用，目的还是让整体效果能够自然。

第三步，则是一个自动化的过程。

也就是当把文字输入进来的时候，就会通过TTS（TextToSpeech）的方式，将文本变成语音。

而当机器接收到这些语音信号后，又会将其联动虚拟人的所有姿态、动作、表情等，最终生成一个完整的视频。

也正是在这种技术路线上的改变，最终才得以让小冰的虚拟人“瞒天过海”地骗过了人眼。

……

聊完了背后的技术，不少友友们肯定也要发问了：

做得这么像人，小冰要干什么？

我们还是拿N小黑/N小白的例子来看。

他们的效果一出来，便让《每日经济新闻》内容团队的态度，发生了三百六十度的改变——

从最开始的质疑和抵触，直接转变成了积极去接受。

他们后来直接主动拿着需求，找到小冰团队的技术人员说：

我们现在需要让AI来播报这些内容……

这是因为他们发现虚拟人播报新闻，原来不仅可以做得像人一样逼真，而且还能做到7 x 24小时不间断的那种。

如此一来，便让播报新闻这个本身就极具时效性的事情，变得异常精准高效，还释放了大量的人力和物力。

甚至《每日经济新闻》的同行都会私下问他们：“你们什么时候变成24小时制了？”

……

而不仅仅是新闻主播这一件事，若是上升到更高的角度来观察，我们也不难发现AI虚拟人已然成为一种大趋势。

例如前一阵子在短视频平台一夜爆火的虚拟人柳夜熙，仅发布一条视频便受到了全民围观。

△图源：柳夜熙官方短视频号

她做为一名虚拟人美妆博主，不仅是故事的精彩性，更是因为其高超的捏脸技术，让她呈现出了东方古典与现代时尚元素完美结合的效果。

再如虚拟人AYAYI，仅凭一张“证件照”，在网络上瞬间爆红（当天便有224万浏览量）。

△图源：AYAYI官方平台

与以往虚拟形象不同的是，她拥有更加贴近人类的外貌，无论是肤质、发质亦或是微表情等，都做到了对真人的高度还原。

这是AI虚拟人，正在逐步迎合大众审美、口味的一种印证。

再从商业层面上来看，仅是2021年，虚拟人赛道上便有超过10笔的融资，嗅觉敏锐的VC们可谓是纷纷抛出了橄榄枝，着手布局。

除了这种视觉形象的虚拟人，在语音方面，Gartner预测到了 2023 年，员工与应用程序的互动中，将有 25% 是透过语音进行，但这一数值在2019年这个才不到 3%。

而这一切的背后的原因，表面上看是因为虚拟人技术不断迭代和发展。

但再深挖一层来看，还是其能够带来和创造的价值。

除了像虚拟主播能够释放人力和物力，像夏语冰所具备的绘画、创作能力，更是能够打破人类有限的创造力。

总而言之，站在现阶段来归纳虚拟人，或许有三大趋势，已经再明显不过：

• 虚拟人从长的逼真，到语音、姿态方方面面的逼真；
• 虚拟人从“骗得过一时”到也可以“骗得过一世”发展；
• 虚拟人已经从黑科技、秀肌肉等词语跳出，踏进各行各业。

而三大趋势汇集在一起，实际也在指向另一个更大的趋势——

虚拟人正在迎来质变的时刻。

如果说2021年“有虚拟人是新闻”，那么2022年，或许就是“哪个领域谁还没有虚拟人”了。

One More Thing

纵观小冰这几次虚拟人的亮相，背后规律实际也不难发现：

小冰总是“先做后说”，也就是让虚拟人先偷偷“上岗”，然后再悄悄拿结果惊艳所有人。

而小冰团队也透露，在已经公开“认领”的之外，现在还有一个虚拟人在人类中间“潜伏”已久。

很快，就又会带来一次恍然大明白。

所以小冰这究竟是对虚拟人技术极度自信？还是如此反复之后，让所有人对虚拟人“脱敏”，从而成功实现“AI和人类混居”？

你不妨也猜猜？感兴趣的人多了，我们找小冰团队求解去~