中國33大虛擬數(shù)字人名錄，暗藏智能語音“造富”新故事

把虛擬數(shù)字人裝進(jìn)你的手機(jī)！百度、騰訊、訊飛盯準(zhǔn)這條新賽道。

短短三個(gè)月內(nèi)，幾乎每一家擁有智能語音技術(shù)能力的大廠都在采取行動(dòng)布局虛擬數(shù)字人。百度、華為、阿里等都紛紛引入AI數(shù)字人入職，擔(dān)任技術(shù)宣講員、形象代言人；OPPO、小米接連宣布其智能語音助手的虛擬形象；騰訊聯(lián)合搜狗一口氣推出了五款數(shù)智人，為企業(yè)定制智能客服、數(shù)字員工；科大訊飛、華為、OPPO、英偉達(dá)等都推出了虛擬人生成或交互平臺(tái)……

▲今日，百度APP上線龔俊數(shù)字人語音助手

如何讓一個(gè)智能語音助手更像人？在圍繞智能音箱展開的探索中受挫后，頭部玩家們紛紛將目光投向了擁有擬人形象、能說會(huì)動(dòng)的“虛擬數(shù)字人”。

關(guān)于虛擬數(shù)字人當(dāng)下沒有一致定義，一般認(rèn)為是具有人的外觀、語言和肢體表達(dá)能力的數(shù)字化的人物。背后，主要是語音生成、動(dòng)畫生成、音視頻合成、對(duì)話交互等多個(gè)智能語音及多模態(tài)模塊的配合。

“元宇宙”概念的走紅，讓龔俊數(shù)字人、清華數(shù)字學(xué)生“華智冰”、虛擬偶像 “A-SOUL”等虛擬數(shù)字人看起來更具有改變世界的潛力。他們就像來自一個(gè)新星球的外星人，模仿人類的講話和行動(dòng)方式，又通過影響人的情感和思維方式對(duì)真實(shí)世界產(chǎn)生作用。而在軀殼之下，很多是被安裝上了人類研發(fā)的AI“大腦”，或者嵌入了AI語音能力。生動(dòng)形象的虛擬數(shù)字人為存量不足的智能語音賽道帶來新玩法，這也讓智能語音玩家們看到潛藏的“造富”新故事。

01.數(shù)字人從直播走進(jìn)工廠智能語音助手的新故事

不知從何時(shí)起，“虛擬數(shù)字人”已經(jīng)火出了圈。他們出現(xiàn)在短視頻平臺(tái)和直播中——穿著簡單的白T，喝著可樂打著哈欠，一個(gè)叫“阿喜”的小姑娘沒有臺(tái)詞，不跟用戶互動(dòng)，卻獲得了抖音50w粉絲；能說能互動(dòng)的女團(tuán)“A-SOUL”則獲得了更高人氣，在直播中，五個(gè)二次元的小姐姐與用戶聊天，相互打趣，收獲了很多愿意去現(xiàn)場看他們表演的死忠粉。

▲左圖為抖音網(wǎng)紅“阿喜”，右圖為虛擬女團(tuán)“A-SOUL”

他們出現(xiàn)在手機(jī)APP里、帶屏智能音箱上，以活潑生動(dòng)的形象充當(dāng)用戶的智能助手，甚至讓喜歡的偶像對(duì)自己“言聽計(jì)從”，做信息搜索等語音識(shí)別服務(wù)；

▲數(shù)字人出現(xiàn)在手機(jī)APP中

他們也早已出現(xiàn)在新聞播報(bào)中——在新華社APP上，一位像真人一樣的AI合成主播已經(jīng)累計(jì)播報(bào)新聞超過1萬條，并且零誤差，可實(shí)現(xiàn)對(duì)日常和突發(fā)事件的實(shí)時(shí)響應(yīng)；

▲在新華社上線的AI合成女主播

他們出現(xiàn)在各種服務(wù)場合里，在金融、醫(yī)療等APP的客服界面中，像真人一樣和需要答疑解惑的用戶進(jìn)行互動(dòng)，連續(xù)7x24小時(shí)提供服務(wù)……

除了國內(nèi)，國外虛擬數(shù)字人也十分火熱，比如近日，韓國的創(chuàng)企DeepBrain AI正在用提供能代替群眾演員的虛擬數(shù)字演員；2019年，一位名為“安德魯”的美國作家在AI技術(shù)的幫助下有了首個(gè)孿生“數(shù)字人”，用以在百年之后依然在云端陪伴家人……從實(shí)驗(yàn)室到現(xiàn)實(shí)應(yīng)用場景，從無智能交互能力到有智能交互，從2C端市場到2B市場……

據(jù)我們不完全統(tǒng)計(jì)，在過去2~3年里，國內(nèi)以“數(shù)字人”、“虛擬人”、“數(shù)智人”等標(biāo)簽出道并引起關(guān)注的虛擬數(shù)字人物眾多。目前，已經(jīng)有眾多虛擬數(shù)字人具備智能驅(qū)動(dòng)或交互功能，究其背后推手，有很多都是2017~2019年那場智能音箱大戰(zhàn)中的頭部選手，以及其他智能語音玩家。

“虛擬數(shù)字人”一詞最早源于1989年美國國立醫(yī)學(xué)圖書館發(fā)起的“可視人計(jì)劃”（Visible Human Project, YHP）。

1982 年，日本動(dòng)畫《超時(shí)空要塞》的女主角林明美被包裝成歌手，成為世界上第一位虛擬歌姬。2007年，“初音未來”在日本誕生于成本較高的CG（計(jì)算機(jī)動(dòng)畫）技術(shù)，是第一個(gè)被廣泛認(rèn)可的虛擬數(shù)字人 。

近年來，隨著深度學(xué)習(xí)算法突破，智能驅(qū)動(dòng)的虛擬數(shù)字人開始嶄露頭角。

從視覺發(fā)展角度來看，當(dāng)下虛擬數(shù)字人在“捏臉”設(shè)計(jì)人形的環(huán)節(jié)門檻降低，往視覺形象上加智能驅(qū)動(dòng)和交互能力成為新趨勢。

當(dāng)我們反過來從智能語音交互技術(shù)發(fā)展的角度來看，語音助手正在實(shí)現(xiàn)技術(shù)的變道和升維，進(jìn)化為多模態(tài)的虛擬數(shù)字人。

虛擬數(shù)字人正在成為令智能語音玩家興奮的新故事。在這個(gè)故事中，語音助手更加具有人情味，但這與“元宇宙”中的虛擬人不同的是，它們更關(guān)注促進(jìn)現(xiàn)實(shí)世界的產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型。

正如騰訊智能產(chǎn)品副總裁李學(xué)朝在采訪中談到他的觀點(diǎn)：元宇宙很火，但騰訊現(xiàn)在主要是當(dāng)成數(shù)字世界的打造的數(shù)字員工，它與“元宇宙”中的虛擬人有技術(shù)上的重疊，但騰訊打造數(shù)智人不是往元宇宙方向，而是從數(shù)字員工怎么更好的服務(wù)行業(yè)場景。相比于元宇宙，虛擬數(shù)字人顯然是一個(gè)更加落到實(shí)處、更聚焦的技術(shù)應(yīng)用領(lǐng)域，擁有從To C到To B的更廣大市場想象空間。

02.兼并、聯(lián)合、跨界智能語音玩家與跨界玩家混戰(zhàn)

作為智能語音技術(shù)的主要落地方向，在前兩年還炙手可熱的“語音助手”故事，如今似乎已不再動(dòng)聽。“不像人”、“缺乏人情味”是被廣為吐槽的點(diǎn)。

就拿各大玩家悉數(shù)入局的智能音箱來說，2018年出貨增長1051.8%，2019年繼續(xù)翻一番達(dá)4589萬臺(tái)（IDC咨詢數(shù)據(jù)），智能音箱一度成為百度、阿里、小米等玩家進(jìn)行瘋狂技術(shù)和價(jià)格戰(zhàn)的大戰(zhàn)場。

然而，市場行情卻在2020年以來陡轉(zhuǎn)直下——2020上半年同比下降14.8%，2021年最新數(shù)據(jù)顯示第三季度同比下降1.5%，智能音箱告別高速增長期，究其背后原因，離不開“傻瓜對(duì)話”、“難以理解深度含義”等技術(shù)上的發(fā)展瓶頸。以“智能音箱”為代表的語音助手故事再難以引起市場和資本的太大興奮，但令一眾智能語音玩家欣慰的是，一個(gè)圍繞“虛擬數(shù)字人”新形態(tài)展開的新故事、新玩法已經(jīng)雛形初顯。

這是一個(gè)池子更大、場景更豐富的市場，而各大智能語音助手早已入局，成為這一領(lǐng)域的龍頭玩家。根據(jù)調(diào)查機(jī)構(gòu)頭豹研究所發(fā)布的預(yù)測，當(dāng)前虛擬數(shù)字人市場規(guī)模已超2000億元，2030年有望達(dá)2703億元。

1、騰訊聯(lián)合搜狗VS百度，互聯(lián)網(wǎng)巨頭之戰(zhàn)打響

在互聯(lián)網(wǎng)玩家陣營中，騰訊和搜狗聯(lián)合組成的戰(zhàn)隊(duì)無疑是打頭陣的玩家。就在11月剛剛舉辦的騰訊數(shù)字生態(tài)大會(huì)上，騰訊一口氣推出五款不同能力的數(shù)智人，面向AI播報(bào)、手語播報(bào)、客服對(duì)話等場景有需求的客戶賦能；同時(shí)，騰訊推出一款“云小微”數(shù)智人平臺(tái)，這也成為整個(gè)騰訊云智能發(fā)力產(chǎn)業(yè)互聯(lián)網(wǎng)的三大平臺(tái)之一。

▲騰訊推出多種風(fēng)格的數(shù)智人

在智能音箱大戰(zhàn)中，騰訊直到2018年才發(fā)布其第一款智能音箱騰訊聽聽，彼時(shí)，百度和阿里正為新的帶屏音箱打的火熱。但面向虛擬數(shù)字人的新風(fēng)口，騰訊首先將能力值拉滿，對(duì)這個(gè)市場龍頭寶座勢在必得。

騰訊自己早在2018年就布局3D實(shí)時(shí)動(dòng)作捕捉的數(shù)字人，而新并入的搜狗則為其帶來自2018年就積累的虛擬主播數(shù)字人能力。同時(shí)，從騰訊CSIG（云與智慧事業(yè)部）內(nèi)部發(fā)展來看，其在5月最新建立的技術(shù)委員會(huì)組織架構(gòu)下，與擁有多模態(tài)智能語音技術(shù)的AI Lab實(shí)驗(yàn)室進(jìn)一步跨部門合作，使其在虛擬數(shù)字人領(lǐng)域獲得了雙重能力加成。

能與騰訊“掰腕子”的互聯(lián)網(wǎng)玩家，當(dāng)屬百度。百度在智能音箱熱潮中當(dāng)之無愧的贏家，曾占據(jù)近三成市場。眼看騰訊聯(lián)合搜狗在虛擬數(shù)字人領(lǐng)域大大發(fā)力，百度也緊鑼密鼓。近日，百度節(jié)奏緊密地上線了冬奧會(huì)手語機(jī)器人、龔俊數(shù)字人語音助手等多款應(yīng)用，一把用虛擬數(shù)字人抓住年輕人、體育愛好者等不同人群的心。而早在兩年前，百度就推出了一款名為“小浦”的虛擬數(shù)字人，進(jìn)入浦發(fā)銀行作為國內(nèi)首個(gè)虛擬數(shù)字員工正式上崗，完成身份審核、答疑解惑等工作。

▲浦發(fā)銀行行長親手為小浦佩戴上了正式員工工牌

百度創(chuàng)始人李彥宏曾透露了自己做虛擬人的一大初衷：因?yàn)橄朐趹涯顣r(shí)，與過世的父親溝通，他認(rèn)為這種情感需求會(huì)促進(jìn)虛擬人交互方式產(chǎn)生很大的市場。

百度早在2010年就率先成立了“自然語言處理部門”，據(jù)彭博報(bào)道，從自然語言處理到語音交互領(lǐng)域，百度過去十年中已投入了數(shù)十億美元。百度的虛擬數(shù)字人背后是實(shí)打?qū)嵮邪l(fā)資金砸出來的，可以說可與騰訊+搜狗一敵高下。

接下來，要看的就是誰能夠在這條賽道找到更加巧妙應(yīng)用場景。再看看其他曾經(jīng)參團(tuán)“智能語音助手”大戰(zhàn)的互聯(lián)網(wǎng)玩家，阿里、京東、網(wǎng)易都已迅速在一些垂直領(lǐng)域探索落地虛擬數(shù)字人。比如，阿里、京東近期紛紛將數(shù)字人引入電商，擔(dān)任代言人、賣貨人；網(wǎng)易也在教育、游戲等領(lǐng)域推出了文本驅(qū)動(dòng)的虛擬講解員、虛擬講師等應(yīng)用。

當(dāng)然，更不能忽視字節(jié)跳動(dòng)、快手這樣的新興移動(dòng)互聯(lián)網(wǎng)玩家，它們?cè)哂?a class="article-link" target="_blank" href="/e/1592241.html">人工智能基因。比如字節(jié)跳動(dòng)與樂華娛樂合作打造的“A-SOUL”的虛擬二次元女團(tuán)獲得了無數(shù)的粉絲。

虛擬主播領(lǐng)域已經(jīng)展現(xiàn)出商業(yè)化價(jià)值，視頻網(wǎng)站嗶哩嗶哩數(shù)據(jù)顯示，2020年6月~2021年5月已有32,412位主播在其上開播，同比增長40%。作為當(dāng)下最接近“元宇宙”代言人Facebook的公司，下一步字節(jié)是否會(huì)為“A-SOUL”嵌入AI交互能力取代背后扮演的真人？這想想就很“元宇宙”。

可以看到，新老互聯(lián)網(wǎng)巨頭正成為虛擬數(shù)字人的主要玩家，背后的深層次邏輯也不再僅僅是它們擅長的“2C故事”。當(dāng)下，互聯(lián)網(wǎng)行業(yè)高速增長時(shí)代已經(jīng)遠(yuǎn)去，百度、騰訊、阿里等互聯(lián)網(wǎng)巨頭們比之前任何時(shí)候都更需要考慮第二增長曲線。虛擬數(shù)字人雖然看起來只是一條很小、且還很初期的賽道，卻可能暗藏云與AI技術(shù)在未來產(chǎn)業(yè)互聯(lián)網(wǎng)中的諸多新機(jī)遇。

2、科大訊飛商湯等AI玩家，可與互聯(lián)網(wǎng)巨頭一戰(zhàn)？

除了互聯(lián)網(wǎng)巨頭，AI企業(yè)也是這場“造人”派對(duì)的主場玩家。其中，智能語音龍頭企業(yè)科大訊飛無疑是這一玩家陣營的龍頭?？拼笥嶏w早在2012年就上線語音智能助手，2015年與京東聯(lián)合發(fā)布了國內(nèi)第一款智能音箱“叮咚智能音箱”，而到了虛擬數(shù)字人時(shí)代，對(duì)于科大訊飛這樣的玩家來說更多是技術(shù)的自然演變。

去年1024開發(fā)者節(jié)現(xiàn)場，科大訊飛就推出了AI虛擬人5G交互一體機(jī)硬件，其虛擬數(shù)字人“愛加”已陸需進(jìn)入春節(jié)拜年、“兩會(huì)”播報(bào)等應(yīng)用場景。在今年10月剛剛過去的1024開發(fā)者節(jié)上，科大訊飛更進(jìn)一步，推出了賦能B端生態(tài)伙伴的虛擬人交互平臺(tái)1.0，虛擬人家族形象已經(jīng)達(dá)到了54位，并且還支持自定義形象，未來將在多模感知、情感貫穿、多維表達(dá)和自主定制上持續(xù)升級(jí)。

▲科大訊飛在2021年1024開發(fā)者節(jié)上推出的虛擬數(shù)字人

科大訊飛有聲平臺(tái)總經(jīng)理郜靜文告訴我們，傳統(tǒng)的智能語音賽道是以聲音為傳遞的，虛擬人的加入，使得信息的傳遞在有聲化的基礎(chǔ)上實(shí)現(xiàn)了可視化。虛擬人多元化、個(gè)性化、情感表現(xiàn)等特點(diǎn)，將拓寬智能語音的賽道，有更多的應(yīng)用方向和場景，反向又驅(qū)動(dòng)人工智能有更高的智能化表現(xiàn)。

除了科大訊飛，其他智能語音玩家布局虛擬數(shù)字人也都比較早。如AI創(chuàng)企思必馳公司在2019年就推出能夠?qū)崟r(shí)對(duì)話的導(dǎo)演陸川數(shù)字人，追一科技、硅基智能等創(chuàng)企也都推出了落地銀行、公檢法等場景的數(shù)字人產(chǎn)品。對(duì)于這些智能語音玩家來說，虛擬數(shù)字人一方面是其技術(shù)迭代的自然而然演化出的新形態(tài)，另一方面也是一個(gè)新的吸引資本的好故事。好故事并不僅僅屬于智能語音玩家，還有從視覺相向切入的智能視覺玩家，以及下一代通用人工智能玩家。比如，計(jì)算機(jī)視覺廠家如商湯科技的“小糖”、通用AI研究機(jī)構(gòu)智源研究院的清華虛擬學(xué)生“華智冰”、冬奧會(huì)的手語數(shù)字播報(bào)員，都將虛擬數(shù)字人可能達(dá)到的交互效果和應(yīng)用空間不斷拓展。

▲商湯科技推出的數(shù)字人“小糖”

可以看到，早先一批做智能語音助手、電話機(jī)器人的玩家無疑是這場虛擬數(shù)字人搶灘大戰(zhàn)的主場玩家；同時(shí)，更多擁有跨界能力的AI玩家也在成為這一領(lǐng)域的爆品制造者，有望成為新的“黑馬”。從虛擬數(shù)字人長期的發(fā)展路徑來看，AI企業(yè)有望將數(shù)字人生動(dòng)形象之下的“內(nèi)涵”大大提升，讓其更加接近人的思維和對(duì)話水平，這是AI類玩家更大的優(yōu)勢。但與此同時(shí)，互聯(lián)網(wǎng)玩家廣泛的C端入口和客戶渠道也是AI企業(yè)難以追趕的。

3、智能手機(jī)商：華米OV你追我趕，從2C到2B

在上一波智能語音技術(shù)的落地中，華為、OPPO、小米等智能手機(jī)玩家既是這一市場的推動(dòng)者也是獲益者。他們的智能語音助手、智能音箱產(chǎn)品活躍在人居生活的多個(gè)場景，正在成為全屋智能的中樞。如果有什么企業(yè)希望通過讓智能語音助手變得更加有人情味這種方式，俘獲更多的用戶量和更大的用戶黏度，非智能手機(jī)廠商莫屬，而虛擬數(shù)字人做的正是這件事。

就在今年，在智能音箱大戰(zhàn)時(shí)代錯(cuò)過機(jī)遇的OPPO已經(jīng)在虛擬數(shù)字人這件事上擺出態(tài)度和實(shí)力。就在10月剛剛舉辦的OPPO開發(fā)者大會(huì)上，OPPO推出了小布虛擬人和小布虛擬人定制平臺(tái)。小布是OPPO月活用戶突破1.3億的智能語音助手，此次小布助手從純粹的手機(jī)語音助手升級(jí)為多終端、多模態(tài)的對(duì)話式智能助手。

▲OPPO推出了小布虛擬人和小布虛擬人定制平臺(tái)

在OPPO數(shù)智工程事業(yè)部總裁劉海鋒的暢想中，OPPO希望構(gòu)建一個(gè)以小布助手為中心，實(shí)現(xiàn)智能設(shè)備之間的萬物互融。可以想象，小布虛擬人未來在智能家居場景，也有望成為一個(gè)更有人情味的管家。同樣快速布局的還有華為公司，作為一家在ICT和消費(fèi)電子跨界的玩家，華為做虛擬數(shù)字人的布局在To B領(lǐng)域具有更寬廣的想象空間。

就在今年9月，華為推出了一款名為“云笙”的虛擬數(shù)字人，擔(dān)任華為云內(nèi)部員工，會(huì)進(jìn)行技術(shù)內(nèi)容宣講、答疑解惑等工作。一個(gè)月后，華為又推出了一款虛擬數(shù)字人平臺(tái)，要把這一能力開放給行業(yè)。華為此舉既讓我們看到其對(duì)自身虛擬數(shù)字人技術(shù)的自信，也能看出，當(dāng)下華為的業(yè)務(wù)中心正在從消費(fèi)電子端向To B領(lǐng)域有所偏移。

▲華為云CEO張平安在與云笙互動(dòng)

除了今年動(dòng)作迅猛的OPPO、華為，其他智能手機(jī)玩家在虛擬數(shù)字人也不甘示弱。比如小米公司，就在OPPO公布“小布”虛擬數(shù)字人的前后腳，小米也宣布在新款Civi手機(jī)中上線“小愛同學(xué)”的虛擬數(shù)字人形象，而早在2020年8月，這一技術(shù)已經(jīng)在小米用戶中內(nèi)測這一應(yīng)用。結(jié)合前面互聯(lián)網(wǎng)玩家的動(dòng)作來看，各家做虛擬數(shù)字人的落地，其實(shí)越來越跳出智能音箱時(shí)代聚焦的消費(fèi)互聯(lián)網(wǎng)，而是更加寬廣的產(chǎn)業(yè)互聯(lián)網(wǎng)。

03.感官技術(shù)升維，但繞不過語音交互的痛點(diǎn)

說完產(chǎn)業(yè)，我們?cè)賮砜纯醇夹g(shù)。不同的場景選用不同的虛擬人驅(qū)動(dòng)方案，目前包括AI算法、真人捕捉等驅(qū)動(dòng)方案，各有優(yōu)劣勢，不同應(yīng)用場景選擇不同的方案，綜合從成本、體驗(yàn)效果考慮會(huì)有不同選擇。

根據(jù)驅(qū)動(dòng)方式的不同，我們可把市面上存在的虛擬數(shù)字人大致分為四類：

1、文本驅(qū)動(dòng)的虛擬數(shù)字人，比如搜狗AI合成主播“雅妮”、“兩會(huì)”期間播報(bào)的愛加和小C等，多以文本或語音驅(qū)動(dòng)，多用于新聞播報(bào)等領(lǐng)域。

2、會(huì)話場景驅(qū)動(dòng)的虛擬數(shù)字人，比如OPPO推出的小布虛擬人、騰訊的金融數(shù)字客服等，它們可以與人對(duì)話，同步嘴型和動(dòng)作。

3、真人（實(shí)時(shí)捕捉）驅(qū)動(dòng)的虛擬數(shù)字人，如 “A-SOUL”女團(tuán)，它們一般在形象背后由真人扮演，通過實(shí)時(shí)捕捉實(shí)時(shí)驅(qū)動(dòng)。

4、無智能化驅(qū)動(dòng)，如抖音網(wǎng)紅“阿喜”，暫時(shí)還沒有顯示出AI驅(qū)動(dòng)及智能語音能力，強(qiáng)調(diào)形象逼真而非動(dòng)感交互。

在過去很長一段時(shí)間里，智能語音技術(shù)的研究主要解決兩大挑戰(zhàn)，第一大挑戰(zhàn)是圍繞著“聽得清”做研究，“前言不搭后語”，尤其是出現(xiàn)指代不明的問題，這主要是因?yàn)樾枰臄?shù)據(jù)以指數(shù)函數(shù)增加，但實(shí)際可用的對(duì)話數(shù)據(jù)太少。第二大挑戰(zhàn)，則是多模態(tài)——即除了語音，還通過視覺、觸覺等多種感知來支持機(jī)器對(duì)話決策，比如眼神、唇語等。在克服第一重挑戰(zhàn)中，很多企業(yè)仍然還有很長的路再走。而在克服第二重挑戰(zhàn)的過程中，很多玩家看到了“虛擬數(shù)字人”這一條新路。

既然語音識(shí)別的瓶頸一時(shí)難以破除，何不轉(zhuǎn)個(gè)彎，從多模態(tài)的角度讓AI更加像人，實(shí)現(xiàn)服務(wù)升級(jí)？為此，虛擬數(shù)字人應(yīng)運(yùn)而生。當(dāng)下國內(nèi)這些布局虛擬數(shù)字人的公司，正是率先掌握了唇語識(shí)別技術(shù)進(jìn)而將語音識(shí)別的準(zhǔn)確度大大提升，形成了技術(shù)壁壘。一般來說，市面上的虛擬數(shù)字人主要包括人物形象、語音生成、動(dòng)畫生成、音視頻合成顯示、交互等5個(gè)模塊構(gòu)成，其中多個(gè)環(huán)節(jié)主要用到的就是智能語音技術(shù)，以及智能語音與視覺融合的多模態(tài)技術(shù)。

▲圖源《2020年虛擬數(shù)字人發(fā)展白皮書》

在語音生成方面，基于文本生成對(duì)應(yīng)的人物語音，主要采用了TTS（從文本到語音）技術(shù)，比如很多人知道的明星語音包，早已不是由明星一句句錄制，而是只需要錄制幾句話，就可以合成明星的聲音。

在動(dòng)畫生成方面，2D、3D數(shù)字人的嘴型動(dòng)作，基本可以靠AI模型實(shí)現(xiàn)智能合成。這是對(duì)已采集到的文本到語音和嘴型視頻（2D）/嘴型動(dòng)畫（3D）的數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到一個(gè)輸入任意文本都可以驅(qū)動(dòng)嘴型的模型，再通過模型智能合成。但對(duì)于一些肢體動(dòng)作來說，大多采取錄播形式。

另外，動(dòng)態(tài)實(shí)時(shí)捕捉也是一種方案，光學(xué)式和慣性式動(dòng)作捕捉占據(jù)主導(dǎo)地位，此外，基于計(jì)算機(jī)視覺的動(dòng)作捕捉成為聚焦熱點(diǎn)。交互模塊使得數(shù)字人具備交互功能，比如通過語音語義識(shí)別能實(shí)時(shí)明白用戶的意圖，并據(jù)此對(duì)用戶進(jìn)行語音、表情、動(dòng)作的反饋。這其中需要用到的基礎(chǔ)技術(shù)包括智能語音識(shí)別、自然語言處理、圖文合成技術(shù)等。交互能力并不是當(dāng)下虛擬數(shù)字人的標(biāo)配，也是智能語音玩家的門檻所在。

當(dāng)下，深度學(xué)習(xí)技術(shù)的進(jìn)步使得虛擬數(shù)字人技術(shù)成本越來越低，效果更好。但與此同時(shí)，虛擬數(shù)字人的規(guī)模化部署仍然面臨難點(diǎn)。騰訊智能產(chǎn)品副總裁李學(xué)朝在接受智東西等媒體的采訪中指出：“當(dāng)通過虛擬數(shù)字人這一外形變得更加像人，這樣用戶對(duì)數(shù)字人的期待就會(huì)變得更高。這時(shí)，如果語音交互能力依然得不到提升，‘答非所問’，其實(shí)得到的落差會(huì)更大。”換句話說，逼真好看的外貌對(duì)智能語音應(yīng)用只是錦上添花，在“人人捏臉”的時(shí)代，過硬的AI交互能力成為一大更核心的競爭力。

可以看到，盡管虛擬數(shù)字人為智能語音賽道帶來了新故事，但這并不代表智能語音玩家就可以完全繞開先前的障礙。這一難點(diǎn)，即便是在虛擬數(shù)字人階段，依然是玩家們繞不過去的大石頭。

此外，除了智能語音技術(shù)發(fā)展的瓶頸無法真正繞開，還需要注意的是安全問題。當(dāng)虛擬數(shù)字人變得更像人，更加容易地牽動(dòng)人的心智，也意味著可能的風(fēng)險(xiǎn)越大。比如，如果虛擬數(shù)字人如果用來制作現(xiàn)實(shí)人的形象，沒有得到本人的同意，可能帶來非?？植赖挠绊??？梢钥吹?，盡管一陣“元宇宙”的風(fēng)讓大家對(duì)虛擬數(shù)字人都興奮不已，但回到虛擬數(shù)字人技術(shù)本身，這個(gè)動(dòng)聽故事其實(shí)更接近智能語音玩家推進(jìn)企業(yè)將產(chǎn)品和服務(wù)進(jìn)入一個(gè)新的階段——從智能語音階段到虛擬數(shù)字人階段，從單維的智能語音技術(shù)到多模態(tài)技術(shù)，從消費(fèi)互聯(lián)網(wǎng)市場拓展到產(chǎn)業(yè)互聯(lián)網(wǎng)市場……

而在這一新階段，不論是騰訊（搜狗）、科大訊飛這樣的老牌智能語音龍頭，還是百度、阿里、華米OV這樣的智能音箱時(shí)代的收割者，亦或者商湯、智源研究院、字節(jié)這樣的跨界新玩家，都正在爭奪入場券。

04.結(jié)語：虛擬數(shù)字人，智能語音新故事

我們從中國智能語音技術(shù)十年發(fā)展脈絡(luò)來看，對(duì)于虛擬數(shù)字人新玩法的探索，不僅是一場搜狗（騰訊）和科大訊飛兩大智能語音技術(shù)龍頭的對(duì)拼，更是一場將整個(gè)互聯(lián)網(wǎng)、消費(fèi)電子、行業(yè)玩家圈入混戰(zhàn)的開始。從語音助手進(jìn)化到虛擬數(shù)字人，是人工智能技術(shù)與人類交互方式進(jìn)化新的重要節(jié)點(diǎn)。當(dāng)然，正如騰訊李學(xué)朝指出的，當(dāng)下，虛擬數(shù)字人發(fā)展仍處于探索階段，還有很長的路要走。這很有可能是一場智能語音賽道的升維戰(zhàn)，也是AI交互領(lǐng)域的未來新戰(zhàn)場。

作者 |  李水青
編輯 |  心緣