5月28日消息，近日，AI主播亮相京東數(shù)科產(chǎn)業(yè)AI公開(kāi)課，而這也是京東數(shù)科自主研發(fā)的AI虛擬數(shù)字人產(chǎn)品首次出現(xiàn)在公眾面前。據(jù)介紹，京東數(shù)科融合了2D和3D技術(shù)，將傳統(tǒng)方法與深度學(xué)習(xí)結(jié)合，僅需使用一段幾分鐘的人物視頻數(shù)據(jù)，經(jīng)過(guò)幾小時(shí)訓(xùn)練就可以合成出寫(xiě)實(shí)風(fēng)格的AI虛擬數(shù)字人。
據(jù)悉，為了順利實(shí)現(xiàn)文字到語(yǔ)音的轉(zhuǎn)化，京東數(shù)科自研了輕量級(jí)對(duì)抗語(yǔ)音合成技術(shù)，通過(guò)結(jié)合深度神經(jīng)網(wǎng)絡(luò)在多人數(shù)據(jù)上進(jìn)行個(gè)性化建模，達(dá)到音色豐富、特色鮮明的語(yǔ)音合成效果，甚至可以模擬人的呼吸和停頓，聽(tīng)感酷似真人。高效輕量的對(duì)抗神經(jīng)網(wǎng)絡(luò)大幅提升了合成速度，合成1秒音頻只需0.07秒，合成時(shí)延僅為業(yè)界水平的1/3，充分支持多場(chǎng)景實(shí)時(shí)語(yǔ)音合成。
在語(yǔ)音生成視頻的階段，為了使AI主播形象更加逼真，京東數(shù)科AI實(shí)驗(yàn)室利用對(duì)抗生成網(wǎng)絡(luò)來(lái)還原更真實(shí)的表情，通過(guò)3D模型運(yùn)動(dòng)追蹤技術(shù)來(lái)確保AI主播在說(shuō)話(huà)時(shí)口型準(zhǔn)確、表情細(xì)膩、頭部運(yùn)動(dòng)自然。為了在口型匹配方面達(dá)到完美效果，京東數(shù)科AI實(shí)驗(yàn)室利用大量語(yǔ)音數(shù)據(jù)，并特意設(shè)計(jì)了魯棒的語(yǔ)音特征，使其可以被不同音色、語(yǔ)言和語(yǔ)速的合成語(yǔ)音所驅(qū)動(dòng)，且都能保持準(zhǔn)確、連貫的口型。
最終，京東數(shù)科開(kāi)發(fā)出了高度還原真人形象的AI虛擬數(shù)字人，在AI算法的驅(qū)動(dòng)下，只需輸入文本內(nèi)容，“小妮”就能根據(jù)語(yǔ)義實(shí)時(shí)進(jìn)行主持，且表情、動(dòng)作和語(yǔ)音表達(dá)非常自然逼真。
京東數(shù)科AI實(shí)驗(yàn)室首席科學(xué)家薄列峰表示：“AI主播小妮的推出，是京東數(shù)科在多模態(tài)AI技術(shù)領(lǐng)域一次成功的落地應(yīng)用。除了在客服、招聘等領(lǐng)域的應(yīng)用之外，我們還將服務(wù)內(nèi)容創(chuàng)造者，通過(guò)AI虛擬數(shù)字人技術(shù)，把靜態(tài)圖文內(nèi)容轉(zhuǎn)化為由‘真人’講解的短視頻，滿(mǎn)足用戶(hù)對(duì)多樣化呈現(xiàn)形式的需求，增強(qiáng)用戶(hù)黏性和社區(qū)活躍度。”
責(zé)任編輯：Rex_07
