全球首个AI主播技术揭秘！搜狗分身术是啥东西？

你那么优秀，一定会选择关注我的！

2018年11月7日，在第五届世界互联网大会上，新华社联合搜狗正式推出全球首个合成新闻主播——“AI合成主播”，并宣布其正式成为新华社报道队伍中一员，TA将同其他主播一起，为你带来权威、及时、准确的中英文新闻资讯。

这不仅在全球AI合成领域实现了大突破，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！

据介绍，“AI合成主播”是通过提取真人主播新闻播报视频中的声音、唇形、表情动作等特征，运用深度学习技术联合建模训练而成！

该项技术能够将所输入的中英文自动生成相应内容的视频，并确保视频中音频和表情、唇动保持自然一致，展现与真人主播无异的信息传达效果。

AI主播背后依托搜狗人工智能地一大核心技术“搜狗分身”， 直白点说，就是“克隆”出与真人主播拥有同样播报能力的“分身”。

【搜狗分身为何物】

搜狗分身技术是搜狗人工智能推出的多模态合成技术，可以基于少量真实音视频数据，快速迁移生成虚拟的分身模型。使用时输入一段文本，即可生成与真人无异的同步音视频。

简单来讲，AI合成主播主要有两大核心技术支撑：通过人工智能技术，采集人的面部表情并标签化，把那个根据语义合成表情；通过机器学习自动生成仿真语音。而这两大核心技术也正是基于搜狗语音合成和图像生成的两大引擎。

通过这项技术，不仅可以合成AI主播，甚至还可以批量复制无数个风格各异的人类形象，用于新闻播报、虚拟教师、虚拟医生、虚拟客服等诸多行业，提升不同行业和职业的信息生产传播效率。

【分身术的两大难点】

在AI合成主播的构建中，即使拥有图像处理和语音处理两类技术，仍然存在两个难点：

高逼真度。以语音技术为例，苹果的Siri早在iPhone4S中就有应用，而之所以一直未能得到认可，是因为其早期版本的识别率低，另外，“机器口音”太重也使得交互体验大打折扣。而随着近年来语音技术的进步，语音识别率不断突破，现在主流语音系统的识别能力都能达到98%以上，搜狗在今年的Blizzard Challenge 2018（语音合成国际大赛）中获得可懂度和语音停顿两项子任务全球第一；另外，此次应用的搜狗分身技术能够自动生成语音、表情、唇动等信息完全一致的自然视频，据搜狗官方称，相关视频已达到商用级别，在业内尚属首次；

低成本个性化定制。当下要想生成一个稳定、高精度的AI模型，仍需要搜集大量数据，对AI模型进行训练。搜狗官方表示，搜狗分身仅需使用少量用户真实音视频数据，即可快速定制出高逼真度的分身模型。

【虚拟世界】

目前，语音技术及图像处理技术带来了拥有强交互能力的虚拟助手。我们的生活中可能不止有智能音箱、智能手机，更可能有一个随叫随到的虚拟助手。在渐渐触摸到虚拟世界的边界时，未来也可能会出现更多颠覆性技术和形态。