服务商|多模态时代来了！AI虚拟数字人，掀起百亿数据服务新蓝海

文章插图
智东西（公众号：zhidxcom）
作者 | 心缘
编辑 | 漠影
写在前面：元宇宙、虚拟数字人概念火爆的2021，高质量训练数据资源正成为雄心勃勃的AI企业们解锁更强智能的关键燃料，通过对话国内唯一A股上市数据服务商海天瑞声，我们试图探讨隐藏于这场新兴技术浪潮幕后的基石角色，如何运用技术解决智能化升级过程中的核心痛点。
2022年，再不关注虚拟数字人，你就落伍啦！
在刚刚过去的一年，AI虚拟主播、虚拟学生、虚拟员工轮番上岗，成为元宇宙与人工智能两大领域最热门的技术赛道之一。

文章插图
万科首位数字化员工崔筱盼获得万科总部最佳新人奖
有些虚拟数字人已经表现得灵性十足，不仅发音标准自然、身体动作流畅，就连眨眼频率、口型与声音的匹配等细节都惟妙惟肖。
【服务商|多模态时代来了！AI虚拟数字人，掀起百亿数据服务新蓝海】这些火遍大江南北的特殊生命体，通过越来越多元的形象定制、舒适的交互体验，逐渐转变为拥有更接近真实人类智商和情感的新型社会角色。
而「多模态技术」，正是打破单一感官的藩篱，让AI虚拟形象越来越像人类的秘密武器。
一、破圈而来，“完美”虚拟人离不开的多模态数据，是将真实世界与虚拟世界连接的桥梁。
在现实世界中，数据天然以「多模态」的形式存在，人类通过综合运用视觉、听觉、触觉、嗅觉等多种感官，来接触和理解大千世界。
为了探索实现通用人工智能（AGI）的路径，人工智能（AI）从单模态走向多模态已是大势所趋。
以前，Siri等语音助手只有声音没有脸，搜索只能依靠输入文字，机器看不懂照片的深层含义。
如今，借助多模态技术，AI实现了图像、视频、音频、语义文本等多维度资源的融合互补，不仅决策更加精准，还在行为和智商上更接近人类。
新冠疫情亦催化了多模态技术的落地进程。在隐私安全保护重视程度日益加强的趋势下，多模态生物识别凭借更高的准确率和安全性，正取代基于指纹、人脸等单一生物特征的身份识别方法。
而深藏多种黑科技的AI虚拟主播，亦是基于多模态技术的快速演进，成为感知智能迈向认知智能阶段的重要探索。
它们的精致面容、流畅表达、优美体态，离不开微表情追踪、语音识别、语音合成、自然语言理解、动作捕捉等丰富技术的支撑。

文章插图
虚拟数字人技术架构（来源：《2020年虚拟数字人发展白皮书》）
其中，AI手语主播要解决的技术难点尤其复杂。为了照顾到听障人士的需求，它需要具备实时将中文、英文等语音“翻译”成连贯手语的能力。
但手语有一套独特的语法体系，如果来一段央视押韵狂魔朱广权的段子“冷空气非常强，但他强任他强，清风拂山岗，他横任他横，秋裤保健康”，那就极度考验AI手语主播的理解和翻译水准了。
要做到实时精确演示手语，AI主播需先将语音转化成文字，再将健听人士的文本语序转化成手语语序，最后基于手语数据集进行手语合成，将相同的信息以视觉的形式传递给听障人士。
在此过程中，获得符合需求的训练数据成为了最具挑战性的问题之一。
这是因为，作为一种视觉语言，手语语言远比语音语言模态复杂，既包含手型、手部位置等手控信息，又包含表情、口动、体态等非手控信息。