王小川携虚拟主播亮相RISE大会 开可视化语音合成先河

 

（搜狗王小川在香港RISE科技峰会上展示虚拟主播）

 
　　2018年7月11日，央视主播“姚雪松”播报香港RISE科技峰会相关新闻的视频出现在主演讲台上方的大屏幕上。
 
　　他来了么？没来，是搜狗的王小川带“他“来的。 这是全球首个虚拟主播。
 
　　搜狗使用姚雪松1.5小时的音视频数据，结合语音、图像等多模态信息进行联合建模训练，输入一段RISE大会的文字稿，可以快速预测生成与真人无异的播报效果。

 

 　　机器能够以“人”的形象如此轻松地播报新闻，背后是搜狗多年以来在AI上积累的技术实力。 7月份搜狗在Blizzard Challenge 2018上获得语音合成大赛冠军，而在上个月，搜狗的视觉研究团队获得了CVPR WAD2018 挑战赛冠军，早在去年，搜狗在机器翻译领域就已经取得突破，在WMT2017收获冠军，频频获奖的同时，各项AI技术不断推出，并逐步落地，搜狗的语音识别准确率已超98%，日均语音输入调用次数峰值达4亿次；唇语识别在垂直应用领域中的准确率超90%，以语言为核心，搜狗已逐步建立起独一无二的人工智能数据和技术壁垒。
 
　　提及本次发布的虚拟主播的技术难点，该项目的技术负责人表示：“最大的难点在于，让机器仅使用一段文本，来预测生成逼真度极高的视频，要保持视频中主播的音频和脸部表情、唇动能够自然且一致，做到如此逼真非常难。”目前市面上还没有类似的产品，通过领先业界的语音合成和图像生成技术，搜狗率先实现了虚拟主播目前的逼真效果。

　　虚拟主播在技术上的实现意味着AI具有了更丰富的表达方式，从文字表达走向音视频的富媒体表达。

 　　虚拟主播技术的应用场景非常广泛。首先，作为具备视频内容生产能力的一项技术，该技术可以运用在诸如新闻、媒体内容等场景中，自动实时快捷地生成富媒体内容。

　　其次，虚拟主播技术还能根据用户上传的单张人物图片（明星、朋友、家人等）实时生成该人物的虚拟主播形象，用户可以与其面对面交流。

　　结合搜狗语音交互系统知音OS能力，我们可以让虚拟主播具备交互能力，使得该项技术可以应用于教育、医疗、客服等多个行业，节约大量的人力成本。如果用于教育行业，虚拟主播可以成为脾气很好的老师，不厌其烦地一遍一遍帮助用户进行发音口型指导。
 
　　此外，还可以应用于各种具备交互能力的智能软硬件。如果用于带屏幕的智能音箱，虚拟主播就可以发展成为虚拟私人助理，用户可以从单纯与声音的交互变成与一个逼真的虚拟人物的交互。
 
　　虚拟主播可能还会催生具有情感的交互App，比如帮助粉丝和爱豆实现“面对面”交互的追星App；上传用户自己喜欢的形象，结合搜狗的问答技术，可以与之进行定制化问答的陪伴App等。
 
　　虚拟主播究竟会以何种方式渗入我们人类的生活尚不可知，或许有一天将打破次元壁和时空无处不在；未来，不管是银行服务，还是电视节目，或是演唱会上的嘉宾，或许都可以看到它们的身影。
 
　　这位技术人员说：“后续，除了优先提升人机交互的体验外，我们也会继续优化虚拟主播的真实感，并在虚拟主播情感表达上做更加深入的研究。” 
 
　　他解释说搜狗这次展示的虚拟主播还没有添加“情感”，还显得比较生硬。