AI成真：虚拟数字人走进生活.pdf

AI成真：虚拟数字人走进生活

作者：罗道

来源：《电脑报》2020年第50期

虚拟数字人，是存在于数字世界的“人”，通过动作捕捉、三维建模、语音合成等技术高度

还原真实人类，再借助AR/MR/VR等终端呈现出来的立体“人”。在人工智能、虚拟现实等新

技术浪潮的带动下，虚拟数字人制作过程得到有效简化、各方面性能获得飞跃式提升。

“虚拟数字人”一词最早源于1989年美国国立医学图书馆发起的“可视人计划”（Visible

HumanProject，YHP）。这些“虚拟数字人”主要是指人体结构的可视化，以三维形式显示人

体解剖结构的大小、形状、位置及器官间的相互空间关系，即利用人体信息，实现人体解剖结

构的数字化。主要应用于医疗领域的人体解剖教学、临床诊疗等。

该技术在发展中拓展到高保真数字人的技术边界，在电影技术应用中得到拓展，提升了电

影和游戏开发的商业机遇，主要应用的技术包括：照相建模、实时捕捉。

虚拟数字人的发展与其制作技术的进步密不可分，从最早的手工绘制到现在的CG

（ComputerGraphics，电脑绘图）、人工智能合成，虚拟数字人大致经历了萌芽、探索、初级

和成长四个阶段。行业人士称，不久的将来，现实世界中的每一个地方和事物——每一条街

道、每一个灯柱、每一栋建筑物和每一个房间都会在镜像世界中拥有它的全尺寸“数字孪生兄

弟”。

世20纪80年代，人们开始尝试将虚拟人物引入到现实世界中，虚拟数字人步入萌芽阶

段。该时期虚拟数字人的制作技术以手工绘制为主，应用极为有限。1982年，日本动画《超

时空要塞》播出后，制作方将女主角林明美包装成演唱动画插曲的歌手，并制作了音乐专辑，

该专辑成功打入当时日本知名的音乐排行榜Oricon，林明美也成为了世界上第一位虚拟歌姬。

1984年英国人GeorgeStone创作出一个名为MaxHeadroom的虚拟人物，Max拥有人类的

样貌和表情动作，身穿西装，佩戴墨镜，曾参演了一部电影，拍摄了数条广告，一度成为英国

家喻户晓的虚拟演员。由于技术的限制，其虚拟形象是由真人演员通过特效化妆和手绘实现。

世纪初，传统手绘逐渐被21CG、动作捕捉等技术取代，虚拟数字人步入探索阶段。该阶

段的虚拟数字人开始达到实用水平，但造价不菲，主要出现在影视娱乐行业，如数字替身、虚

拟偶像等。电影制作中的数字替身一般利用动作捕捉技术，真人演员穿着动作捕捉服装，脸上

点上表情捕捉点，通过摄像机、动作捕捉设备将真人演员的动作、表情采集处理，经计算机处

理后赋予给虚拟角色。

《指环王》中的角色咕噜就是由CG技术和动作捕捉技术产生，这些技术后续还在《加勒

比海盗》《猩球崛起》等电影制作中使用。之后日本还制作了第一个被广泛认可的虚拟数字人

“初音未来”，初音未来是二次元风格的少女偶像，早期的人物形象主要利用CG技术合

成，人物声音采用雅马哈的VOCALOID系列语音合成，呈现形式还相对粗糙。

近五年，得益于深度学习算法的突破，数字人的制作过程得到有效简化，虚拟数字人开始

步入正轨，进入初级阶段。该时期人工智能成为虚拟数字人不可分割的工具，智能驱动的数字

人开始崭露头角。

迈克斯·泰格在《生命LIFE3.0》一书中说，生命3.0是一个由人工智能重塑的时代。在这

个时代，我们可以设计自己的硬件和软件。

所谓的“像真人”，不外乎是运用“AI合成”技术。“虚拟主播”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，运用语音、唇形、表情合成以及深度学习等技术联合建

模训练而成。

该项技术要能够将所输入的中英文文本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。但在此之前，出现在大众媒体

上的虚拟主播，多半只有声音，或者匹配一个量身定制的虚拟形象，比如微软小冰在东方卫视

担任天气预报员就是如此。

要实现这样的效果，两大要求缺一不可。其一是高逼真度。要能够自动生成语音、表情、

唇动等信息完全一致的自然视频，并已达到商用级别。其二是低成本的个性化定制。小数据的

学习模型，使用少量用户真实音视频数据，快速迁移生成虚拟的分身模型，快速定制出高逼真

度的分身模型。最后，使用时输入一段文本，即可生成与真人无异的同步音视频。

除此之外，语音合成引擎和图像生成引擎也是重要的两点。在语音合成引擎中，基于用户

少量音频数据，使用语音合