AI開始為數(shù)字人注入靈魂

　　這幾天，國內(nèi)“冷門歌手”憑借AI翻唱再度走紅。

　　B站網(wǎng)友用AI模型生成了歌手孫燕姿的AI分身，其實(shí)跟車載導(dǎo)航上的“林志玲”、“郭德綱”類似。拿歌手本人的音頻去訓(xùn)練，生成一個音色一模一樣的“孫燕姿”。

　　然后，讓偶像唱自己喜歡的歌的心愿，就以這樣一種詭異的方式實(shí)現(xiàn)了。

　　圖源：B站

　　海外的玩法更加離譜。

　　美國一個擁有180萬粉絲的23歲女網(wǎng)紅，通過用GPT-4復(fù)刻了自己的AI分身，然后同時與1000多個網(wǎng)友談戀愛，每分鐘收費(fèi)1美元。

　　僅一周，她就狂賺了7.16萬美元。

　　并且還遠(yuǎn)不止如此，現(xiàn)在她的“男友”還在急速增加中，目前已經(jīng)增加到了近萬人，排隊等待與她“談戀愛”時間已經(jīng)長達(dá)96小時。

　　有分析認(rèn)為，按照趨勢，她月入500萬美元沒有任何難度，如果不是技術(shù)限制，她賺到的錢，將可能是一個天文數(shù)字。

　　這些現(xiàn)象已經(jīng)可以充分說明，一個由AI+帶來的新技術(shù)紅利時代，正在被急速到來。

　　01

　　數(shù)字人軍團(tuán)涌入直播間

　　直播帶貨是虛擬IP變現(xiàn)*潛力的場景。

　　Z世代對社交、視頻、網(wǎng)購等工具的使用深度遙遙*于全網(wǎng)平均水平，數(shù)字人和虛擬空間結(jié)合的新玩法給他們帶來了體驗(yàn)感和交互性，虛擬IP的核心粉絲大多來自18-24歲的年輕群體。

　　這一趨勢讓品牌方看到了讓產(chǎn)品打破圈層的機(jī)會。

　　2020年，虛擬歌手洛天依和樂正綾等來到淘寶直播間，為博士倫、美的、歐舒丹等品牌帶貨。這場直播觀看人數(shù)高達(dá)270萬，有近200萬人打賞互動。

　　這在當(dāng)時一度掀起巨大的討論，虛擬數(shù)字人直播的時代已經(jīng)來了。

　　而隨著今年由chatGPT掀起的人工智能大模型熱潮，虛擬數(shù)字人領(lǐng)域又迎來一輪更加磅礴的爆發(fā)。

　　一大批量的虛擬數(shù)字人開始扎堆涌進(jìn)直播間。

　　今年4月份，天娛數(shù)科旗下的虛擬數(shù)字人“朏朏”已完成 ChatGPT 模型接入，并完成直播首秀，不僅能夠?qū)崟r響應(yīng)顧客的提問，還能根據(jù)不同問題進(jìn)行自主回答。

　　圖源：抖音

　　在短視頻上，出現(xiàn)過很多這樣的場景：一家公司的整個辦公室里空無一人，只有一排排辦公桌上有數(shù)十臺電腦屏幕里的AI美女們正在直播......

　　圖源：短視頻

　　這家公司，只靠2D超寫實(shí)的虛擬形象，提前準(zhǔn)備好的話術(shù)和背景，就可以直播一天，雖然單個效果不如真人直播，但成本低到令人發(fā)指，而且還可以超低成本復(fù)制，勝在以量取勝，真正是做到躺著讓AI掙錢也并非不可能。

　　這一切，在說明，一場基于“AI+”的內(nèi)容效率革命，正在數(shù)字人領(lǐng)域爆發(fā)。

　　虛擬數(shù)字人根據(jù)制作技術(shù)、應(yīng)用場景、形象特點(diǎn)分為很多種。

　　與3D人氣偶像不同，現(xiàn)在大多數(shù)直播間里說話的根據(jù)真人原型復(fù)刻聲音、表情的2D寫實(shí)數(shù)字人，你根本分辨不出是真是假，但制作成本遠(yuǎn)低于勇闖娛樂圈的A-Soul IP們。

　　一個虛擬主播可以進(jìn)行7*24全天候的直播工作，隨叫隨到，也不用擔(dān)心人設(shè)翻車的問題，減少了直播運(yùn)營中的人工成本。

　　這背后，是AIGC在重新塑造數(shù)字人的生產(chǎn)流程。

　　2D數(shù)字人的制作用上了深度學(xué)習(xí)，只需要確定形象設(shè)計，圖文音頻數(shù)據(jù)經(jīng)過采集、預(yù)處理后上傳到模型訓(xùn)練，制作方式相對3D更簡單，更標(biāo)準(zhǔn)化，制作效能不斷提升。

　　這種工廠流水線的方式，使數(shù)字人的制作門檻、成本和周期得到了大幅縮短。

　　同時，隨著行業(yè)制作端的技術(shù)迭代和成本驟降，針對小型客戶的數(shù)字人解決方案也開始涌現(xiàn)。

　　在4月份，騰訊云發(fā)布的數(shù)字人生產(chǎn)平臺，需要生成真人形象的數(shù)字分身可以在平臺上采購服務(wù)，只需上傳圖像音視頻即可實(shí)現(xiàn)定制，根據(jù)不同音色、視頻時長收費(fèi)。

　　除了制作數(shù)字人，還可以提供整套數(shù)字人直播解決方案，功能包括了真人音頻接管直播間，獲取用戶評論智能回復(fù)，定價僅需要千元級別。

　　而有些渠道商，打包售賣AI主播的定價甚至只要200元以內(nèi)。

　　這些主播形象大多來自模特經(jīng)紀(jì)公司的授權(quán)，投放質(zhì)量雖然粗糙，摳圖痕跡明顯，聲音也沒有特點(diǎn)。

　　但對普通的中小企業(yè)來說，沒有大V帶貨，花不起上百萬定制高端IP，想要壓縮運(yùn)營成本， 快速起量，幾千塊的數(shù)字人已經(jīng)夠香了。

　　數(shù)字人直播間，硅基

　　企業(yè)如果想要自己修改代碼，產(chǎn)出不同的數(shù)字人，還可以向技術(shù)提供商購買源碼，售價要比直接買AI主播更貴，不僅能自用，還可以使用源碼發(fā)展代理，甚至比自己做數(shù)字人直播還賺錢。

　　但AI數(shù)字人的故事，還沒有講完。

　　02

　　AI注入靈魂

　　IDC在《中國AI數(shù)字人市場現(xiàn)狀與機(jī)會分析》報告中將數(shù)字人分為五個等級，目前數(shù)字人發(fā)展經(jīng)歷從手工制作到AI建模的階段，初步具備人的外形，但還只能做簡單的交互決策。

　　當(dāng)智能化水平來到L4、L5級別時，AI驅(qū)動的數(shù)字人能夠接管大多數(shù)場景決策，支持更多模態(tài)的實(shí)時交互，類似鋼鐵俠的私人AI管家“賈維斯”。

　　虛擬數(shù)字人過去三十年的發(fā)展，技術(shù)發(fā)展和市場需求基本圍繞著兩點(diǎn)在演變，一是視覺效果；二是交互體驗(yàn)。

　　虛擬數(shù)字人最早出現(xiàn)在游戲、動漫、電影里，對新潮事物的情感連接和IP價值的延伸遙相呼應(yīng)。

　　早期的角色型IP使用手繪，動作要一張一張地畫。1982年，日本動畫《超時空要塞》的女主角林明美成為了*發(fā)行音樂專輯的虛擬歌手。

　　初代歌姬林明美

　　在電影里，形象可以用計算機(jī)建模，但動作還得讓人來做，CG技術(shù)和動作捕捉等技術(shù)逐漸普及，依靠綠幕，捕捉設(shè)備，演員可以成為任何角色。

　　千禧年后，從02年的《指環(huán)王》到去年的《阿凡達(dá)2》，角色的渲染效果已經(jīng)細(xì)致入微，為藝術(shù)創(chuàng)作帶來了巨大便利。

　　《指環(huán)王》中“咕嚕”的形象由真人捕捉

　　到這里，數(shù)字人技術(shù)的發(fā)展圍繞更像“人”的極限一步步逼近，不僅僅要求外觀、服裝上的視覺效果趨近真實(shí)，還包括驅(qū)動(呈現(xiàn)真實(shí)細(xì)膩的表情和動作)和渲染(讓畫面更加精細(xì)實(shí)時)。

　　不過，總覺得還是缺了點(diǎn)什么。

　　1970 年，日本機(jī)器人專家森昌弘提出“恐怖谷”理論，由于機(jī)器人與人類在外表、動作上相似，所以人類會對機(jī)器人產(chǎn)生正面的情感。

　　當(dāng)機(jī)器人與人類的相似程度達(dá)到一個特定程度的時候，一點(diǎn)點(diǎn)的差別都會被放大，并帶來負(fù)面和反感情緒。而當(dāng)機(jī)器人與人類的相似度繼續(xù)上升，人類對其情感會再度回到正面。

　　與電影不同，社交屬性更強(qiáng)的應(yīng)用場景對數(shù)字人實(shí)時交互的要求更高，不只是滿足于制作一個好看的“花瓶”而已。

　　在交互方面，自然語言模型填補(bǔ)了這一空缺。

　　文本生成能力已經(jīng)驚艷眾人的GPT，給數(shù)字人的“智商”加上了兩道杠。

　　NLP大模型是AI驅(qū)動虛擬人的技術(shù)基石，簡單來講就是讓虛擬數(shù)字人能說會道，減少標(biāo)準(zhǔn)化內(nèi)容的制作成本，被訓(xùn)練來擔(dān)任智能客服、主持人、導(dǎo)游等角色。長期來看，隨著個性化和情感理解的能力提高，為老人提供陪伴關(guān)懷，成為小孩子的”私人教師“也將實(shí)現(xiàn)。

　　此外，嘴型動作也可以由AI驅(qū)動，建立起與文本的映射關(guān)系，隨著寫實(shí)程度的提高，微表情也就更豐富，說話的時候表情、口型能夠?qū)Φ蒙希�這樣的數(shù)字人不僅“形似人”，而且“神似人”。

　　新華社：全球首位數(shù)字航天員：小諍

　　Midjourney是基于diffusion model擴(kuò)散模型的爆款產(chǎn)品，在去年7月發(fā)布，通過文本輸入指令訓(xùn)練AI繪畫。

　　一對情侶，由Midjourney制圖

　　有機(jī)構(gòu)測算過，目前其年收入就已經(jīng)能夠達(dá)到1億美元的規(guī)模。

　　有B站up主用Midjourney復(fù)原了奶奶的寫實(shí)形象，從外觀上看，衰老的皮紋和白頭發(fā)細(xì)節(jié)感十足，加上過去的音頻重現(xiàn)奶奶的聲音，最后通過D-ID生成了奶奶的數(shù)字分身。

　　為了彌補(bǔ)未與奶奶好好告別的小遺憾，孫子和眼前的數(shù)字“奶奶”開啟了對話，而“奶奶”親切地回應(yīng)，其實(shí)是ChatGPT提供的回答素材。

　　圖源：B站

　　正是通過這些用戶端的越來越多的嘗試，反過來為AI的“人格化”不斷添加海量訓(xùn)練素材，加速豐富AI模型數(shù)據(jù)，最終讓AI為數(shù)字人注入靈魂，帶來更大可能。

　　03

　　尾聲

　　對虛擬分身的探索至今持續(xù)了三十余年，從手繪到真人驅(qū)動，再到AI驅(qū)動，擬真感和交互性的體驗(yàn)進(jìn)步打開了廣闊的應(yīng)用場景，涓流匯成大海。

　　AIGC幫助將普通人的外觀、聲音等特征全面數(shù)字化，更低的制作門檻打開了市場的想象空間。

　　IDC預(yù)計，到2026年中國AI數(shù)字人市場規(guī)模將達(dá)到102.4億元人民幣，但能夠給我們帶來多么良好的體驗(yàn)，決定了數(shù)字人最終的命運(yùn)。

　　同時，AI數(shù)字人具備下一代人機(jī)交互入口的潛質(zhì)，未來我們面對的或不再是冰冷的屏幕，而是生動活潑的數(shù)字人類，越能夠挖掘最深層次的情感需求，成為我們生活里的參與者。

　　或許正如AI教父所言，人類只是智慧演化的過渡階段，以便創(chuàng)造出數(shù)字智能，如今我們終于有一個長得像人類的數(shù)字分身，像我們一樣說話，以后或許還能像我們一樣思考。(全文完)