AI开始为数字人注入灵魂

这几天，国内“冷门歌手”凭借AI翻唱再度走红。　　B站网友用AI模型生成了歌手孙燕姿的AI分身，其实跟车载导航上的“林志玲”、“郭德纲”类似。拿歌手本人的音频去训练，生成一个音色一模一样的“孙燕姿”。　　然后，让偶像唱自己喜欢的歌的心愿，就以这样一种诡异的方式实现了。　　　　图源：B站　　海外的玩法更加离谱。　　美国一个拥有180万粉丝的23岁女网红，通过用GPT-4复刻了自己的AI分身，然后同时与1000多个网友谈恋爱，每分钟收费1美元。　　仅一周，她就狂赚了7.16万美元。　　并且还远不止如此，现在她的“男友”还在急速增加中，目前已经增加到了近万人，排队等待与她“谈恋爱”时间已经长达96小时。　　有分析认为，按照趋势，她月入500万美元没有任何难度，如果不是技术限制，她赚到的钱，将可能是一个天文数字。　　这些现象已经可以充分说明，一个由AI+带来的新技术红利时代，正在被急速到来。　　01　　数字人军团涌入直播间　　直播带货是虚拟IP变现最具潜力的场景。　　Z世代对社交、视频、网购等工具的使用深度遥遥领先于全网平均水平，数字人和虚拟空间结合的新玩法给他们带来了体验感和交互性，虚拟IP的核心粉丝大多来自18-24岁的年轻群体。　　这一趋势让品牌方看到了让产品打破圈层的机会。　　2020年，虚拟歌手洛天依和乐正绫等来到淘宝直播间，为博士伦、美的、欧舒丹等品牌带货。这场直播观看人数高达270万，有近200万人打赏互动。　　这在当时一度掀起巨大的讨论，虚拟数字人直播的时代已经来了。　　而随着今年由CHATGPT掀起的人工智能大模型热潮，虚拟数字人领域又迎来一轮更加磅礴的爆发。　　一大批量的虚拟数字人开始扎堆涌进直播间。　　今年4月份，天娱数科(行情002354,诊股)旗下的虚拟数字人“朏朏”已完成 ChatGPT 模型接入，并完成直播首秀，不仅能够实时响应顾客的提问，还能根据不同问题进行自主回答。　　　　图源：抖音　　在短视频上，出现过很多这样的场景：一家公司的整个办公室里空无一人，只有一排排办公桌上有数十台电脑屏幕里的AI美女们正在直播......　　　　图源：短视频　　这家公司，只靠2D超写实的虚拟形象，提前准备好的话术和背景，就可以直播一天，虽然单个效果不如真人直播，但成本低到令人发指，而且还可以超低成本复制，胜在以量取胜，真正是做到躺着让AI挣钱也并非不可能。　　这一切，在说明，一场基于“AI+”的内容效率革命，正在数字人领域爆发。　　虚拟数字人根据制作技术、应用场景、形象特点分为很多种。　　与3D人气偶像不同，现在大多数直播间里说话的根据真人原型复刻声音、表情的2D写实数字人，你根本分辨不出是真是假，但制作成本远低于勇闯娱乐圈的A-Soul IP们。　　一个虚拟主播可以进行7*24全天候的直播工作，随叫随到，也不用担心人设翻车的问题，减少了直播运营中的人工成本。　　这背后，是AIGC在重新塑造数字人的生产流程。　　2D数字人的制作用上了深度学习，只需要确定形象设计，图文音频数据经过采集、预处理后上传到模型训练，制作方式相对3D更简单，更标准化，制作效能不断提升。　　这种工厂流水线的方式，使数字人的制作门槛、成本和周期得到了大幅缩短。　　同时，随着行业制作端的技术迭代和成本骤降，针对小型客户的数字人解决方案也开始涌现。　　在4月份，腾讯云发布的数字人生产平台，需要生成真人形象的数字分身可以在平台上采购服务，只需上传图像音视频即可实现定制，根据不同音色、视频时长收费。　　除了制作数字人，还可以提供整套数字人直播解决方案，功能包括了真人音频接管直播间，获取用户评论智能回复，定价仅需要千元级别。　　而有些渠道商，打包售卖AI主播的定价甚至只要200元以内。　　这些主播形象大多来自模特经纪公司的授权，投放质量虽然粗糙，抠图痕迹明显，声音也没有特点。　　但对普通的中小企业来说，没有大V带货，花不起上百万定制高端IP，想要压缩运营成本， 快速起量，几千块的数字人已经够香了。　　　　数字人直播间，硅基　　企业如果想要自己修改代码，产出不同的数字人，还可以向技术提供商购买源码，售价要比直接买AI主播更贵，不仅能自用，还可以使用源码发展代理，甚至比自己做数字人直播还赚钱。　　但AI数字人的故事，还没有讲完。　　02　　AI注入灵魂　　　　IDC在《中国AI数字人市场现状与机会分析》报告中将数字人分为五个等级，目前数字人发展经历从手工制作到AI建模的阶段，初步具备人的外形，但还只能做简单的交互决策。　　当智能化水平来到L4、L5级别时，AI驱动的数字人能够接管大多数场景决策，支持更多模态的实时交互，类似钢铁侠的私人AI管家“贾维斯”。　　　　虚拟数字人过去三十年的发展，技术发展和市场需求基本围绕着两点在演变，一是视觉效果；二是交互体验。　　虚拟数字人最早出现在游戏、动漫、电影里，对新潮事物的情感连接和IP价值的延伸遥相呼应。　　早期的角色型IP使用手绘，动作要一张一张地画。1982年，日本动画《超时空要塞》的女主角林明美成为了首个发行音乐专辑的虚拟歌手。　　在电影里，形象可以用计算机建模，但动作还得让人来做，CG技术和动作捕捉等技术逐渐普及，依靠绿幕，捕捉设备，演员可以成为任何角色。　　千禧年后，从02年的《指环王》到去年的《阿凡达2》，角色的渲染效果已经细致入微，为艺术创作带来了巨大便利。　　到这里，数字人技术的发展围绕更像“人”的极限一步步逼近，不仅仅要求外观、服装上的视觉效果趋近真实，还包括驱动（呈现真实细腻的表情和动作）和渲染（让画面更加精细实时）。　　不过，总觉得还是缺了点什么。　　1970 年，日本机器人(行情300024,诊股)专家森昌弘提出“恐怖谷”理论，由于机器人与人类在外表、动作上相似，所以人类会对机器人产生正面的情感。　　当机器人与人类的相似程度达到一个特定程度的时候，一点点的差别都会被放大，并带来负面和反感情绪。而当机器人与人类的相似度继续上升，人类对其情感会再度回到正面。　　　　与电影不同，社交属性更强的应用场景对数字人实时交互的要求更高，不只是满足于制作一个好看的“花瓶”而已。　　在交互方面，自然语言模型填补了这一空缺。　　文本生成能力已经惊艳众人的GPT，给数字人的“智商”加上了两道杠。　　NLP大模型是AI驱动虚拟人的技术基石，简单来讲就是让虚拟数字人能说会道，减少标准化内容的制作成本，被训练来担任智能客服、主持人、导游等角色。长期来看，随着个性化和情感理解的能力提高，为老人提供陪伴关怀，成为小孩子的”私人教师“也将实现。　　此外，嘴型动作也可以由AI驱动，建立起与文本的映射关系，随着写实程度的提高，微表情也就更丰富，说话的时候表情、口型能够对得上，这样的数字人不仅“形似人”，而且“神似人”。　　Midjourney是基于diffusion model扩散模型的爆款产品，在去年7月发布，通过文本输入指令训练AI绘画。　　有机构测算过，目前其年收入就已经能够达到1亿美元的规模。　　有B站up主用Midjourney复原了奶奶的写实形象，从外观上看，衰老的皮纹和白头发细节感十足，加上过去的音频重现奶奶的声音，最后通过D-ID生成了奶奶的数字分身。　　为了弥补未与奶奶好好告别的小遗憾，孙子和眼前的数字“奶奶”开启了对话，而“奶奶”亲切地回应，其实是ChatGPT提供的回答素材。　　　　图源：B站　　正是通过这些用户端的越来越多的尝试，反过来为AI的“人格化”不断添加海量训练素材，加速丰富AI模型数据，最终让AI为数字人注入灵魂，带来更大可能。　　03　　尾声　　对虚拟分身的探索至今持续了三十余年，从手绘到真人驱动，再到AI驱动，拟真感和交互性的体验进步打开了广阔的应用场景，涓流汇成大海。　　AIGC帮助将普通人的外观、声音等特征全面数字化，更低的制作门槛打开了市场的想象空间。　　IDC预计，到2026年中国AI数字人市场规模将达到102.4亿元人民币，但能够给我们带来多么良好的体验，决定了数字人最终的命运。　　同时，AI数字人具备下一代人机交互入口的潜质，未来我们面对的或不再是冰冷的屏幕，而是生动活泼的数字人类，越能够挖掘最深层次的情感需求，成为我们生活里的参与者。　　或许正如AI教父所言，人类只是智慧演化的过渡阶段，以便创造出数字智能，如今我们终于有一个长得像人类的数字分身，像我们一样说话，以后或许还能像我们一样思考。