AI開(kāi)始為數(shù)字人注入靈魂

作者|弗雷迪 來(lái)源|格隆匯APP(ID：hkguruclub)

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(chē)載導(dǎo)航上的“林志玲”、“郭德綱”類(lèi)似。拿歌手本人的音頻去訓(xùn)練，生成一個(gè)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(guó)一個(gè)擁有180萬(wàn)粉絲的23歲女網(wǎng)紅，通過(guò)用GPT-4復(fù)刻了自己的AI分身，然后同時(shí)與1000多個(gè)網(wǎng)友談戀愛(ài)，每分鐘收費(fèi)1美元。

僅一周，她就狂賺了7.16萬(wàn)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(wàn)人，排隊(duì)等待與她“談戀愛(ài)”時(shí)間已經(jīng)長(zhǎng)達(dá)96小時(shí)。

有分析認(rèn)為，按照趨勢(shì)，她月入500萬(wàn)美元沒(méi)有任何難度，如果不是技術(shù)限制，她賺到的錢(qián)，將可能是一個(gè)天文數(shù)字。

這些現(xiàn)象已經(jīng)可以充分說(shuō)明，一個(gè)由AI+帶來(lái)的新技術(shù)紅利時(shí)代，正在被急速到來(lái)。

01

數(shù)字人軍團(tuán)涌入直播間

直播帶貨是虛擬IP變現(xiàn)最具潛力的場(chǎng)景。

Z世代對(duì)社交、視頻、網(wǎng)購(gòu)等工具的使用深度遙遙領(lǐng)先于全網(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(lái)了體驗(yàn)感和交互性，虛擬IP的核心粉絲大多來(lái)自18-24歲的年輕群體。

這一趨勢(shì)讓品牌方看到了讓產(chǎn)品打破圈層的機(jī)會(huì)。

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

這在當(dāng)時(shí)一度掀起巨大的討論，虛擬數(shù)字人直播的時(shí)代已經(jīng)來(lái)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(lái)一輪更加磅礴的爆發(fā)。

一大批量的虛擬數(shù)字人開(kāi)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(shí)響應(yīng)顧客的提問(wèn)，還能根據(jù)不同問(wèn)題進(jìn)行自主回答。

圖源：抖音

在短視頻上，出現(xiàn)過(guò)很多這樣的場(chǎng)景：一家公司的整個(gè)辦公室里空無(wú)一人，只有一排排辦公桌上有數(shù)十臺(tái)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(xiě)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(gè)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(qián)也并非不可能。

這一切，在說(shuō)明，一場(chǎng)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(chǎng)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(shuō)話的根據(jù)真人原型復(fù)刻聲音、表情的2D寫(xiě)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(lè)圈的A-Soul IP們。

一個(gè)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(chē)的問(wèn)題，減少了直播運(yùn)營(yíng)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(jì)，圖文音頻數(shù)據(jù)經(jīng)過(guò)采集、預(yù)處理后上傳到模型訓(xùn)練，制作方式相對(duì)3D更簡(jiǎn)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(mén)檻、成本和周期得到了大幅縮短。

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

在4月份，騰訊云發(fā)布的數(shù)字人生產(chǎn)平臺(tái)，需要生成真人形象的數(shù)字分身可以在平臺(tái)上采購(gòu)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(shí)長(zhǎng)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(hù)評(píng)論智能回復(fù)，定價(jià)僅需要千元級(jí)別。

而有些渠道商，打包售賣(mài)AI主播的定價(jià)甚至只要200元以?xún)?nèi)。

這些主播形象大多來(lái)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(méi)有特點(diǎn)。

但對(duì)普通的中小企業(yè)來(lái)說(shuō)，沒(méi)有大V帶貨，花不起上百萬(wàn)定制高端IP，想要壓縮運(yùn)營(yíng)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(gòu)買(mǎi)源碼，售價(jià)要比直接買(mǎi)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(qián)。

但AI數(shù)字人的故事，還沒(méi)有講完。

02

AI注入靈魂

IDC在《中國(guó)AI數(shù)字人市場(chǎng)現(xiàn)狀與機(jī)會(huì)分析》報(bào)告中將數(shù)字人分為五個(gè)等級(jí)，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(jiǎn)單的交互決策。

當(dāng)智能化水平來(lái)到L4、L5級(jí)別時(shí)，AI驅(qū)動(dòng)的數(shù)字人能夠接管大多數(shù)場(chǎng)景決策，支持更多模態(tài)的實(shí)時(shí)交互，類(lèi)似鋼鐵俠的私人AI管家“賈維斯”。

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

虛擬數(shù)字人最早出現(xiàn)在游戲、動(dòng)漫、電影里，對(duì)新潮事物的情感連接和IP價(jià)值的延伸遙相呼應(yīng)。

早期的角色型IP使用手繪，動(dòng)作要一張一張地畫(huà)。1982年，日本動(dòng)畫(huà)《超時(shí)空要塞》的女主角林明美成為了首個(gè)發(fā)行音樂(lè)專(zhuān)輯的虛擬歌手。

初代歌姬林明美

在電影里，形象可以用計(jì)算機(jī)建模，但動(dòng)作還得讓人來(lái)做，CG技術(shù)和動(dòng)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(lái)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(jué)效果趨近真實(shí)，還包括驅(qū)動(dòng)（呈現(xiàn)真實(shí)細(xì)膩的表情和動(dòng)作）和渲染（讓畫(huà)面更加精細(xì)實(shí)時(shí)）。

不過(guò)，總覺(jué)得還是缺了點(diǎn)什么。

1970 年，日本機(jī)器人專(zhuān)家森昌弘提出“恐怖谷”理論，由于機(jī)器人與人類(lèi)在外表、動(dòng)作上相似，所以人類(lèi)會(huì)對(duì)機(jī)器人產(chǎn)生正面的情感。

當(dāng)機(jī)器人與人類(lèi)的相似程度達(dá)到一個(gè)特定程度的時(shí)候，一點(diǎn)點(diǎn)的差別都會(huì)被放大，并帶來(lái)負(fù)面和反感情緒。而當(dāng)機(jī)器人與人類(lèi)的相似度繼續(xù)上升，人類(lèi)對(duì)其情感會(huì)再度回到正面。

與電影不同，社交屬性更強(qiáng)的應(yīng)用場(chǎng)景對(duì)數(shù)字人實(shí)時(shí)交互的要求更高，不只是滿(mǎn)足于制作一個(gè)好看的“花瓶”而已。

在交互方面，自然語(yǔ)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(dòng)虛擬人的技術(shù)基石，簡(jiǎn)單來(lái)講就是讓虛擬數(shù)字人能說(shuō)會(huì)道，減少標(biāo)準(zhǔn)化內(nèi)容的制作成本，被訓(xùn)練來(lái)?yè)?dān)任智能客服、主持人、導(dǎo)游等角色。長(zhǎng)期來(lái)看，隨著個(gè)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(dòng)作也可以由AI驅(qū)動(dòng)，建立起與文本的映射關(guān)系，隨著寫(xiě)實(shí)程度的提高，微表情也就更豐富，說(shuō)話的時(shí)候表情、口型能夠?qū)Φ蒙希@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(guò)文本輸入指令訓(xùn)練AI繪畫(huà)。

一對(duì)情侶，由Midjourney制圖

有機(jī)構(gòu)測(cè)算過(guò)，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(xiě)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(guò)去的音頻重現(xiàn)奶奶的聲音，最后通過(guò)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(kāi)啟了對(duì)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(guò)這些用戶(hù)端的越來(lái)越多的嘗試，反過(guò)來(lái)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(lái)更大可能。

03

尾聲

對(duì)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(dòng)，再到AI驅(qū)動(dòng)，擬真感和交互性的體驗(yàn)進(jìn)步打開(kāi)了廣闊的應(yīng)用場(chǎng)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(mén)檻打開(kāi)了市場(chǎng)的想象空間。

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

同時(shí)，AI數(shù)字人具備下一代人機(jī)交互入口的潛質(zhì)，未來(lái)我們面對(duì)的或不再是冰冷的屏幕，而是生動(dòng)活潑的數(shù)字人類(lèi)，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(lèi)只是智慧演化的過(guò)渡階段，以便創(chuàng)造出數(shù)字智能，如今我們終于有一個(gè)長(zhǎng)得像人類(lèi)的數(shù)字分身，像我們一樣說(shuō)話，以后或許還能像我們一樣思考。（全文完）

編者按：本文轉(zhuǎn)載自微信公眾號(hào)：格隆匯APP(ID：hkguruclub)，作者：弗雷迪