最近有一條新聞很熱門，在今年的烏鎮互聯網大會上，搜狗與新華社聯合推出了全球首個「AI合成主播」。
BBC、CNN 等全球權威媒體紛紛報道，在 Youtube 上也有視頻新聞，標題叫 《China reveals world’s first AI anchor》（全球第一個AI主播在中國亮相），視頻下面有很多討論。
摘取兩個權威媒體的評價。
CNET的報道是：「搜狗技術支撐，新華社亮相了新主播，不細看不知道不是真人。」
Theverge 的評價是：「AI開始進入官方新聞播報這樣的場景，說明技術已不是早期階段了。」
值得自豪的是，在 AI 技術上佔據領先優勢的互聯網巨頭，基本集中在中國和美國。
要說最廣為人知的 AI 主播，那就是在 Youtube 上有兩百多萬粉絲的愛醬 Kizuna AI。但仔細對比下愛醬和搜狗 AI 合成主播，兩者的技術差距還是挺大的，搜狗的技術要比愛醬的團隊強很多。
愛醬是一個卡通形象的虛擬主播，她的視頻是靠真人動作捕捉+ 真人CV 配音來完成的。愛醬的每一條視頻，都是由幕後工作人員做好動作，請聲優錄好音頻，再用技術合成。每條視頻都需要投入時間和人力。
而搜狗 AI 合成主播，背後是一套可批量複製的方案。
不同於愛醬的卡通形式，搜狗AI合成主播背後的技術，是利用技術在屏幕上還原真人。具體點說，採集完真人主播的表情、聲音等數據後，只需要輸入新聞的文本，屏幕上就能實時播報新聞。和真人主播相比，搜狗 AI 合成主播能二十四小時不休止的工作，播報新聞更有時效性。
有人會說， AI 合成主播是不是很讓人出戏？從實際觀感來說，搜狗AI 合成主播和真人主播的相似度很高，觀眾可以接受。
下圖左邊是真人主播，右邊是 AI 合成主播，兩者在音色、語調、表情、唇形上都一致。
為什麼要讓 AI 主播的唇形和麵部表情和真人吻合？這要說到著名的「恐怖谷理論」——用技術模擬人類，人類自然就會對其非常反感。只有當技術成熟到能以假亂真，才能成功跨越恐怖谷效應。
關於恐怖谷效應，典型的失敗案例是《爵跡》電影，成功案例是電影《速度與激情7》。
和《爵跡》相比，AI 合成主播因為擬合度足夠高，所以成功跨越了恐怖谷效應，達到了非常逼真的程度。
訊飛也弄了個 AI 主播，聲稱比搜狗更早一點，但我找來視頻看了下訊飛的技術，僅僅是讓攝像頭捕捉真人臉部特徵，隨著真人的神情動作，在屏幕上還原出一段 3D 虛擬形象的動畫而已。說到底，還是需要真人主播在幕後工作，這樣的技術方案沒啥應用價值。
相比之下，搜狗的 AI 合成主播，實現難度和應用價值都高很多。
先說技術難度。舉個例子，表情合成涉及到計算機視覺技術。查閱資料發現，搜狗在這個領域投入了很多，才做到如今的水平。前不久的 MegaFace 人臉識別競賽，搜狗圖像技術團隊 Face Identification（人臉識別）任務中，以 99.939% 的識別準確率斬獲大賽第一名。
再說應用前景。搜狗 AI 合成主播的意義不侷限於播報新聞，有了這套技術，只需要使用少量的用戶音視頻數據，就能快速定製逼真的分身模型，成本低，並且可定製化服務。
當技術上做到足夠逼真，而成本又很低廉時，這種基於 AI 的多模態合成技術，可以服務於很多民用領域。比如說客服，現在大量的智能語音客服，背後其實都是 AI。AI 語音客服的不足是隻聞其聲，不見其人。如果有了搜狗的這套技術，也許視頻客服會興起——品牌簽約明星成為其客服形象，技術讀取其聲音、表情、唇形特徵，實時合成出 AI 客服和用戶視頻溝通。想象一下，林志玲或者吳彥祖耐心回覆問題的場景，還是挺酷炫的哈哈。
隨著 AI 技術的不斷髮展，在各領域充當虛擬助手的角色，會逐漸把人類從重複性的工作中解放出來。到那時，人類主要負責監控 AI 助手，為其提供數據原型，提升它的工作效率。正如以往的工業革命一樣，隨著技術發展和生產力的提升，人類會有更多的時間用於創造富有價值的事情和享受生活。
閱讀更多 陸家嘴文青 的文章
