中国的“AI主播”上岗，国外开始了嘲讽！_风闻
观察者网用户_244308-2018-11-12 15:11
全球关注的AI主播
最近几天，科技届的大事莫过于在乌镇举办的第五届世界互联网大会。
就在大会开幕当天。由搜狗公司和新华社合作的全球第一个“AI合成主播”正式亮相。
对比“真人”主播一天工作8小时，就如视频中“AI主播”自己说的那样，他能够不知疲倦地工作24小时！
很多时候，国内的产品发布就会找一些“不入流”的外文网站出稿，假装获得了“全球媒体”关注。
但这次的“AI主播”可不是这样。CNN、BBC、The Verge、CNET、南华早报等都在主要的版面给了这两位“主播”一席之地。
这倒并不是因为新华社版“AI主播”在技术上有多先进，而更多是因为，一个国家级主流媒体运用虚拟主播技术，这项举动本身具有强烈的象征性意义。
不过，争议也随之而来。外国网友就针对这款产品发表了自己的看法：
英国BBC资深记者西蒙麦考伊也对这款“AI主播”进行了冷嘲热讽。称其不过是“一个新闻阅读器”而已。
AI主播并非原创
说到AI主播，新华社虽然标榜是全球首个，但其实去年11月，日本一个被玩家爱称为“人工智障爱酱”的虚拟主播便在Youtube上开始流传开来。
这个名叫“Kizuna AI”的3D萌妹是个神经粗线条，偶尔又有些腹黑的人物。在视频镜头里，她时而恶意卖萌地说一些不着边际的话，时而颜艺丰富地自我吐槽，一下子就吸引了众多宅男的目光。
并且，在这之后，日本放送协会（NHK）也宣布，从今年4月开始在节目中使用人工智能（AI）主播Yomiko。
这位“新闻主播Yomiko”是通过CG技术制作而成的，“她”在工作日晚间11时10分播出的“NEWS CHECK 11”节目中登场，模拟真人主播的声音播报记者写成的新闻稿件，每周播报一次约5分钟的新闻。
为了让新闻播报的更加准确生动，在此之前，技术人员会请NHK旗下的主播阅读大量新闻稿件并录音，然后将这些语音数据分解为10万个音素，还让Yomiko事先记住日本全国的地名、专有名词、口音等。
这次新华社和搜狗合作展示的“AI合成主播”是运用最新人工智能技术，“搜狗分身”，“克隆”出与真人主播拥有同样播报能力的“分身”。
搜狗人工智能的核心技术“搜狗分身”能通过人脸关键点检测、人脸特征提取、人脸重构、唇语识别、情感迁移等多项前沿技术，并结合语音、图像等多模态信息进行联合建模训练后，生成与真人无异的AI分身模型。这项技术让机器首次做到逼真的模拟人类说话时的声音、嘴唇动作和表情，并且将三者自然匹配，与真人几乎一致。
简单来说，只需要提供文字，“AI合成主播”就能准确无误的像真人主播一样声情并茂的播出新闻。AI主播可以逼真的模拟人类说话时的声音、嘴唇动作和表情，并且将三者自然匹配，达到与真人几乎一致的效果。从最终的呈现方式来看，”AI合成主播“相当于是真实新闻主播一个“分身”。
有了这项技术之后，“AI合成主播”就像开了“外挂”！
对比“真人”主播一天工作8小时，“分身”能够不知疲倦地工作24小时！只要编辑将文本输入系统，TA们就能随时工作，并且一直工作下去……
这不仅在全球AI合成领域实现了技术创新和突破，更是在新闻领域开创了实时音视频与AI真人形象合成的先河。
搜狗公司CEO王小川表示，AI合成主播的诞生，将为媒体生产端带来无限想象空间，是智能时代大幅提升新闻生产、传播效率、新闻价值的有效手段。
并不稀奇的“分身”技术
“搜狗分身”技术是搜狗人工智能的核心技术之一，诞生于搜狗“自然交互+知识计算”这一人工智能理念之下。这项技术可以让机器以更逼真自然的形象呈现在用户面前，而不是冷冰冰的“机器人”。
“搜狗分身”技术可以通过人脸关键点检测、人脸特征提取、人脸重构、人脸建模、唇语识别、情感迁移等多项前沿技术，结合语音、图像等多模态信息进行联合建模训练后，生成与真人无异的AI分身模型。
说起来看似比较复杂，其实人脸识别和人脸建模等这些技术根本已经不是什么难题。
早在大概2013-14年，使用机械声音味道很浓重的合成语音，加上明显不像是真人的卡通形象，替代人类去做一些资讯播报的做法，已经在普通的电脑和手机用户中普及泛滥。
我们看到现在的新华社虚拟主播，其所应用的技术在很早之前就已经开始研究，只是在目前的情况下借助技术和算法的突破，采用真实人脸模式，让虚拟人物更加鲜活有生命，而不再只是一个语言和表情都很僵硬的机器存在而已。
说到面部捕捉技术，其实无论是习惯看国外直播平台还是国内直播平台的观众，都会在2015年开始发现有些房间的主播界面是一只可爱的动物。可能是猫可能是狗还有可能是一只浣熊，这些动物主播的脑袋伴随着主播的播出节奏在摇头晃脑、做出奇特的表情。
这项技术的实现归功于一款叫做Facerig的应用，经常看游戏直播的读者想必都听说过这个名号。
而应用于电影制作的人脸识别技术也不是什么新鲜事物。早在《指环王》《加勒比海盗》《阿凡达》和《猩球崛起》的时代，好莱坞就已经拥有成熟的人脸识别套路了。
所以，其实这一次搜狗的“AI主播”在技术上并不具备多大的突破，无非是动作捕捉等技术在媒体领域的一次实际应用而已。难怪外国人会在那里冷嘲热讽。
的确是有趣，但没有必要过分夸大。
不过这并不代表没有意义，从实用的角度来讲，这种操作方式是可以极大减少新闻媒体在后期制作的各项成本，能让新闻视频的制作效率有极大的提高。
而且，在中国任何一家电视台来说，培养主持人，特别是一个品牌栏目主持人来说，是相当的有难度的。就拿新闻主播来说，能坐上中央电视台新闻主播的位置没有基层的历练是不可能的。
当然，全球媒体报道新华社率先上岗“AI主播”的时候，虽然有各种各样的担忧，但都肯定了一点，官方媒体率先垂范采用这类仿真技术，有助于自上而下地对抗“假新闻”。
从这个角度上来说，像新华社这样正规的官方媒体，先行一步采用机器人朗读方式，就可以在突发事件传播中占得先机，抢在“谣言”的前面到达社会公众。
“恐怖谷”
当前很多类人形象的拟真度可以达到90%左右，但尚未能够100%以假乱真的情况之下，会产生一种不自然的机械感，甚至会令人毛骨悚然。
也就是说，如果想要尽可能的模拟真人，无可避免的会涉及穿越“恐怖谷”（Uncanny Valley）的问题。
“恐怖谷”一词用以形容人类对跟他们相似到特定程度之机器人的排斥反应。
而“谷”就是指在研究里“好感度对相似度”的关系图中，在相似度临近100%前，好感度突然坠至反感水平，回升至好感前的那段范围。即当仿真度达到一定程度，但又不百分之百的像人的时候，就会造成一种看恐怖片一样的感觉——波士顿动力的机器人很瘆人也是这个原因。
这几天很多媒体都在炒作：“AI主播的出现意味着新闻媒体行业可以以人工智能代替人力，传统主播等媒体人会减轻工作量，但也有可能面临着失业。”
这其实还是一个老生常谈的“人工智能取代人类”的焦虑问题。
很多人从受众的角度来分析，AI合成主播可以满足最基本的信息告知功能，但是在情感需求的满足层面，高度智能的AI远远不如有血有肉的人类新闻主播。
也就是说，现在的机器人想要翻越“恐怖谷”似乎还有很长的一段距离要走。
说起来这一次“AI主播”的设计还是比较接地气的，它并没有凭空地制造出一个高科技意义上的角色美男子主播，还是脱胎于我们身边的真人。就像“AI合成主播” 自己介绍的一样，其外形和声音来源与新华社主播邱浩。
不过，即便它怎么“来源”与邱浩，与其多么的相似，弊端也是暴漏无疑。声音没有人的感情、面部表情还稍显生硬，就是缺乏人与人之间的那种真实性的信息传达。
另外，AI合成主播目前停留在播报阶段，在独立进行深度思考方面有所欠缺，而人类新闻主播凭借人类的智能逻辑可以在直播过程中对新闻稿件进行随机应变的灵活处理，这一点也是人类新闻主播不可替代的部分。
而且，这一次的展示过程中，还是不可避免地出现了比较低级的失误：将阿里巴巴创始人马云的名字“Jack Ma”误读成了“Jack Massachusetts”，这是因为语音合成系统读到这部分文字稿的时候，判断“MA”两个字母是美国马萨诸塞州的缩写。
在很多情况下，需要读到美国某个小地方地名的时候，就需要把“MA”理解为“马萨诸塞州”。
不过，显然这并不是什么大问题。预防此类问题，完全可以通过将“Jack Ma”一词特殊化处理，也可以通过将美国地方地名特殊化处理的方法来化解。
而且，虽然现在的主播仍然呈现动作僵硬，语音语调不协调等问题，但任何一个报道这件事情的国内外媒体似乎都认为，这是AI向真人进攻路上的一个里程碑或标志性事件，这绝对不是一场努力的终点，而在未来还将会以更快的速度进化。现在这些小问题将会逐渐被攻克，直到“翻越恐怖谷”，直到屏幕上主播的表现和真人没有什么区别，直到完成“人工智能的进化”。
但是，这些其实还是肉眼可见的进化。仅仅停留在了“工具层面”。
对于AI主播，哪怕它真的跨越了“恐怖谷”，与人交流也变得十分的流畅，但那始终还只是一种算法。
而真正的强人工智能，也许并不需要经历被人类所接受的“恐怖谷”阶段。也就是说，对于真正的人工智能来讲，“恐怖谷”的概念可能也不适用于他们。
不像人类，思维和行动被局限在肉身之中。人工智能没有躯体，其思维也绝不可能被固定在某一台机子里。但凡有网络之处，它都能生存，它无处不在，无时不有。且AI完全以精神形式存在，它的存在是无限的，有网络之处它就是永生的。
也就是说，大多数人对于人工智能的担忧，其实还是非常肤浅的应用层面。而真正的“恐怖”可能是我们无法预知的恐怖。
还记得霍金生前的告诫吗：“机器人的进化速度比人类想象的快，它们的终极目标将是不可预测的。我真的很怕人工智能取代人类，成为新物种！”
