原標(biāo)題：搜狗發(fā)布AI合成主播 背后技術(shù)“搜狗分身”同時(shí)浮出水面

騰訊科技訊（孫宏超）11月8日消息，在11月7日開幕的第五屆世界互聯(lián)網(wǎng)大會上，搜狗宣布其與新華社合作開發(fā)、全球第一個(gè)全仿真智能合成主持人——“AI合成主播”正式亮相，同時(shí)搜狗未來人工智能的核心技術(shù)“搜狗分身”也獲得了廣泛關(guān)注。

據(jù)介紹，觀眾只要向“AI合成主播”輸入一句既有的新聞文本，屏幕上就會出現(xiàn)一位合成的新華社新聞主播，他不僅會用和真人一樣的聲音進(jìn)行播報(bào)，連唇形、面部表情也能完全吻合。這樣的視頻效果，無論看上去還是聽起來，都與現(xiàn)實(shí)中的新華社主播的本人播報(bào)沒有太大差別。

在合成主播的開發(fā)過程中，搜狗公司的相關(guān)技術(shù)人員同新華社的新聞主播一同進(jìn)行了各種探索嘗試，在“搜狗分身”技術(shù)的支持下，通過人臉關(guān)鍵點(diǎn)檢測、人臉特征提取、人臉重構(gòu)、唇語識別、情感遷移等多項(xiàng)前沿技術(shù)，并結(jié)合語音、圖像等多模態(tài)信息進(jìn)行聯(lián)合建模訓(xùn)練后，“AI合成主播”正式誕生。

同時(shí)，據(jù)搜狗公司智能語音事業(yè)部總經(jīng)理王硯峰介紹，“搜狗分身”技術(shù)是搜狗人工智能的核心技術(shù)之一，誕生于搜狗“自然交互+知識計(jì)算”這一人工智能理念之下。該技術(shù)能夠利用搜狗的AI能力，從圖像表情，聲音語言習(xí)慣，邏輯思維等層面對AI進(jìn)行擬人化訓(xùn)練，然后克隆制造人類的AI分身，進(jìn)而幫助人類提高信息表達(dá)和傳遞的效率。該技術(shù)是支撐“AI合成主播”正常運(yùn)轉(zhuǎn)的核心。

會后，搜狗公司CEO王小川接受騰訊科技等媒體采訪，以下為部分采訪實(shí)錄（在不改變原意情況下有所刪減）

媒體：像剛剛主持人說的，會不會他就失業(yè)了？

王小川：首先AI技術(shù)分為了感知技術(shù)和認(rèn)知技術(shù)。感知是有聲音的、有圖像的，感知技術(shù)方向上，機(jī)器基本有機(jī)會可以做到跟人一樣好。但是在認(rèn)知技術(shù)方向上，機(jī)器背后的推理、知識、思考，以語言為核心的邏輯性的東西，機(jī)器的處理能力是有限的，這種情況下，涉及到人的高級活動的時(shí)候，機(jī)器現(xiàn)在是做不到的。

媒體：以后有可能做到嗎？

王小川：現(xiàn)在沒有這個(gè)技術(shù)。如果是在垂直領(lǐng)域里，特別細(xì)分的特定領(lǐng)域，像法律或者醫(yī)療，面越窄，機(jī)器更有機(jī)會在這個(gè)特定的領(lǐng)域里做到更接近人類。不能把AI當(dāng)成大的詞兒，AI里面有很多內(nèi)涵。在這種情況下，把AI上升到跟人們認(rèn)知相關(guān)的事情，機(jī)器在里面只能做輔助，是沒有辦法取代人類的。但如果只是聽個(gè)聲音，看個(gè)圖像，現(xiàn)在像Face++或者商湯做的事情，機(jī)器就已經(jīng)能取代一部分感知上的事情了。對于人類的高級活動，現(xiàn)在機(jī)器取代人類是沒戲的。高級活動叫認(rèn)知，低級活動叫感知，目前的機(jī)器可以做到感知，這是先給大的框。

媒體：您怎么看AI合成主播，人類跟機(jī)器是怎樣的關(guān)系？取代還是配合？

王小川：名字我們跟新華社定了，叫AI合成主播。這項(xiàng)技術(shù)里面涉及三個(gè)合成：聲音合成、表情合成、唇型合成，特別是唇型合成。因?yàn)楸旧硖摂M這個(gè)詞，畫個(gè)卡通畫也叫虛擬，如果叫虛擬主播的話別人容易較真，說這個(gè)東西怎么叫虛擬，所以我們叫AI合成主播。AI合成主播和人類的關(guān)系是取代還是配合這個(gè)問題的話，如果只是感知問題，不涉及到后面的語言組織、撰寫深度稿件的話，它是可以去跟真人接近的。

媒體：意思是人可以做寫新聞稿的人，剩下的事就交給它？

王小川：如果想做到惟妙惟肖，比如什么地方該發(fā)怒，什么地方該柔情，這樣的事情機(jī)器很難做到，因?yàn)楦遄拥膬?nèi)容機(jī)器是不懂的，它不理解真正的含義。如果只用視覺和聽覺表達(dá)，AI合成主播可以接近真人，一旦與內(nèi)容有高度相關(guān)性，機(jī)器的作用就會弱一些。

媒體：搜狗的AI合成主播跟微軟小冰做的主播有什么差異？

王小川：搜狗的AI合成主播是真人的形象，小冰給的是虛擬形象，聲音跟真人不一樣，也沒有表情和唇型的變化。AI合成主播真的是合成之后，能夠起到真人的替身作用。

媒體：這個(gè)技術(shù)除了在主播領(lǐng)域，還有哪些其他場景的應(yīng)用？

王小川：比如說現(xiàn)在我們跟凱叔講故事談，以前是凱叔去講故事，以后可能就會變成你的爸爸媽媽給你講故事。在我們大的理念下，主播是其中一塊，之后要把它個(gè)性化，變成其他的人。

媒體：搜狗現(xiàn)在有考慮進(jìn)一步怎么去做么？

王小川：未來搜狗輸入法的方向，我曾經(jīng)講過是叫輔助對話，就是幫你去說話。去年搜狗上市的時(shí)候，我一天收到三千條祝福的微信，如果我用語音回，我也要說三千條，而且發(fā)信息的人不一樣，有的是記者朋友，有的是老同學(xué)，那么回復(fù)內(nèi)容也不一樣，這個(gè)時(shí)候你就需要個(gè)分身了，它能用你的個(gè)性幫你去說話，幫你去做機(jī)械性的、重復(fù)性的勞動。搜狗有兩個(gè)理念，一個(gè)理念就是讓機(jī)器能夠成為你的分身，一個(gè)是讓機(jī)器成為你的助理。搜狗搜索做問答就是要成為你的助理。這是搜狗AI兩個(gè)核心的方向。

媒體：在語言這塊，門檻并不高？

王小川：語言這塊門檻挺高，高德地圖合成林志玲的聲音的時(shí)候，林志玲是讀了非常多句話的，不是固定的“向左轉(zhuǎn)向右轉(zhuǎn)”的句子。搜狗現(xiàn)在只要求十幾分鐘的數(shù)據(jù)量就夠了，可以用很小的數(shù)據(jù)合成一個(gè)人的聲音。

媒體：為什么？是有什么算法的突破嗎？

王小川：所謂小數(shù)據(jù)其實(shí)也是離不開大數(shù)據(jù)的，機(jī)器要看很多聲音，然后找到這個(gè)人的聲音特征跟別人有什么不一樣，所以小也是大。我們以前說嬰兒學(xué)習(xí)很快，看一張圖片就會了，其實(shí)他是看了很多圖片之后再看一張圖片。所以對特定領(lǐng)域來說，數(shù)據(jù)越小越好，但是要掌握足夠多的通用領(lǐng)域的數(shù)據(jù)。因此這里涉及到的技術(shù)，既要有海量聲音的訓(xùn)練，同時(shí)能做到用更少的聲音數(shù)據(jù)訓(xùn)練特定人的聲音，這是有技術(shù)壁壘的。

媒體：合成主播商業(yè)化的節(jié)奏會不會比之前做的其他AI落地的項(xiàng)目要快一點(diǎn)？

王小川：最快的話，第一是翻譯，翻譯是剛需。不只是翻譯寶，搜狗搜索支持用中文搜索全球信息，用中文閱讀全球信息，這是應(yīng)用了翻譯技術(shù)的。翻譯是搜狗的使命之一，輸入法輸入中文轉(zhuǎn)成外文，搜索能搜外文轉(zhuǎn)成中文。我們本身是做信息橋梁的公司，所以翻譯是很重要的，這也是最快落地的技術(shù)。首先是語音、圖像，然后是翻譯，翻譯之后是分身，訓(xùn)練一個(gè)人的數(shù)據(jù)之后，幫助他去做表達(dá)。最后是問答，就是個(gè)人助理，幫你回答問題。對于消費(fèi)者而言，這是技術(shù)演進(jìn)的路線。

媒體：搜狗做通用訓(xùn)練的時(shí)候，語音素材是怎么拿到的，是平常語音輸入的時(shí)候的語音嗎，還是怎么樣的？

王小川：我們有很多合作，很多標(biāo)注。比如現(xiàn)在我們跟喜馬拉雅有合作，他們讀的東西我們可以拿過來用，盡可能多的采集不同的語音。

媒體：除了醫(yī)療以外，搜狗也在做法律相關(guān)的內(nèi)容搜索，對這種領(lǐng)域的選擇標(biāo)準(zhǔn)以及下一步擴(kuò)展垂直搜索的規(guī)劃是什么？

王小川：首先最大的是醫(yī)療，法律是中間有明顯的知識結(jié)構(gòu)化能力在，這個(gè)知識邊界是相對有權(quán)威和規(guī)范的，在這種情況下，我們可能去做一個(gè)選擇。但是醫(yī)療還是遠(yuǎn)遠(yuǎn)優(yōu)于法律的。

媒體：搜狗還會擴(kuò)展其他領(lǐng)域嗎？

王小川：其他領(lǐng)域，百科我們還是想努力能把它做得更加權(quán)威和真實(shí)?？傊行╊I(lǐng)域，互聯(lián)網(wǎng)的信息不夠好，我們希望能夠在里面能用新的方法做好，用AI技術(shù)或者用不同的方式。

媒體：為什么要做搜狗號，這塊內(nèi)容是怎么樣的，為什么要介入這個(gè)市場？

王小川：因?yàn)榻裉熳銎脚_，就像頭條或者像抖音，一頭是用戶在里面去消費(fèi)，一頭生產(chǎn)方是合作關(guān)系，這種合作不是光簽合同的，確實(shí)能夠做個(gè)平臺，把它放進(jìn)來了，但搜索引擎不是，搜索的模式是抓來的，頭條號或者說像這樣的搜狗號很大意愿是希望增加內(nèi)容的合作比例，是更規(guī)范，比如這里大家廣告做多少，有一定的互相的共識，這樣能夠提升合作的內(nèi)容和質(zhì)量，讓用戶體驗(yàn)更好。

媒體：會覺得做得晚嗎？

王小川：再早對我們講也不會成為戰(zhàn)略上的突破點(diǎn)。

媒體：這種信息流的改變會給搜狗帶來更大的營收嗎？

王小川：會有一些，信息流廣告主要是基于APP，搜狗APP或者瀏覽器，能有些補(bǔ)充。如果APP量特別大，收益是大的。

媒體：之前您說一直刷抖音，刷頭條，很容易沉迷進(jìn)去，搜狗號能不能改變這件事情？

王小川：我們做搜狗號很大層面是為搜索服務(wù)的，而不是只說為做信息流這件事情。第二，有些東西改不改變，比如游戲，我們就不做了，對我們而言，從我們興趣愛好經(jīng)驗(yàn)上不是游戲，游戲一樣，滿足你沉迷在里面，一直獲得虛擬世界，有太虛幻景表達(dá)這樣的概念，人是需要的，但是怎么去引導(dǎo)，我們沒有這方面創(chuàng)造引導(dǎo)能力，我們愿意把我們的優(yōu)勢發(fā)揮在我們自己擅長的地方上，我們讓信息表達(dá)更加簡單，我們做翻譯，我們在中間去做問答技術(shù)。

媒體：搜狗搜索以后在流量渠道或者獲客層面有什么樣的想法？

王小川：渠道方面有兩個(gè)事是要突破的，一個(gè)地方是利用自有的流量渠道，比如用戶在輸入法輸入的時(shí)候，如果甄別到他有這樣的意圖，我們能直接給他提供更好的信息滿足他，甚至給別人做分享，這個(gè)事情上我們還有大的空間提升的，搜索跟輸入行為的連接，第二我們希望在搜索結(jié)果里，能有更好的差異化或者權(quán)威性，就像之前做的微信內(nèi)容，現(xiàn)在我們是著力在強(qiáng)調(diào)醫(yī)療健康內(nèi)容，希望內(nèi)容上有差異化，使得用戶變成主動使用，而不是靠合作的，QQ瀏覽器或者手機(jī)廠商，這樣的話成本會降下來。

媒體：搜狗AI方面戰(zhàn)略還是比較聚焦的，有沒有考慮相關(guān)多元化或者更多AI的軟件或者科研或者硬件？

王小川：不考慮，我覺得我們已經(jīng)張得很開了，我們在信息文明時(shí)代核心就是對知識或者對語言的理解，做AI我認(rèn)為要滿足幾條，今天說AI是屬于大公司做，大公司有幾個(gè)，第一個(gè)有場景，有數(shù)據(jù)，所以你做AI，如果你沒場景，沒有數(shù)據(jù)，只做技術(shù)，這件事情是很困難的，我們數(shù)據(jù)和場景是在用戶表達(dá)和信息獲取里，在輸入和搜索里，所以我們圍繞場景做這件事情。第二，中間是需要在這里面有持續(xù)的投入，投入里很多創(chuàng)業(yè)公司或者沒有商業(yè)模式的公司，它今天投這樣，如果哪天市場沒打開，那可能這個(gè)東西就掉下去，我們是有足夠資金去投，但是也希望跟可見的商業(yè)價(jià)值去匹配，我們做翻譯已經(jīng)沒有考慮商業(yè)，已經(jīng)在拓展，我們最近一共支持500場同聲傳譯，我們已經(jīng)努力往外拓展的時(shí)候，往外拓展不是考慮商業(yè)問題，還是圍繞我們的使命來進(jìn)行，就是表達(dá)和獲取信息更簡單，以及未來讓機(jī)器部分取代人或者給人提供服務(wù)。

媒體：單純同傳這個(gè)問題，機(jī)器有沒有可能取代人？

王小川：不能，做不到。如果用好的人，機(jī)器是趕不上的，但是有很多地方是因?yàn)槟銢]有優(yōu)秀的同傳或者出國旅游沒法給一個(gè)人配一個(gè)人，這種情況下，機(jī)器可以去作用，翻譯往簡單走是重復(fù)性勞動，但是真的好的翻譯是有知識，有思考的，你讓他思考的東西，機(jī)器就沒人強(qiáng)，開放性思考，如果只是棋盤上封閉思考，機(jī)器下圍棋，可以干，但是開放性的環(huán)境，機(jī)器是不夠的。

媒體：會考慮在多媒體搜索上有一些布局嗎？

王小川：搜索核心是以語言為核心的，如果離開了文字，只是畫圖，這是不夠的。我們是有圖像搜索能力，有聲音去做搜索，但核心要點(diǎn)是在閱讀理解，這個(gè)事情不是我們最受益或者是我們突破點(diǎn)最大的地方。我們突破是在語言的理解里面，這個(gè)更難，比5G還難。

媒體：從硬件的產(chǎn)品上，未來有可能做OEM嗎？

王小川：有可能，但是現(xiàn)在通過自己的東西把它給做透了，再開放，就像亞馬遜一樣，之前做echo的音箱，也是自己做，自己做才有機(jī)會跟別人一塊玩，否則第一天就是B2B2C，你不知道客戶在哪兒，或者跟客戶沒有形成正面的習(xí)慣，to C公司不夠的，先把自己做透，然后發(fā)現(xiàn)能力不夠了，再開放。

媒體：要到達(dá)真正的AI個(gè)人助理，還要多久，還要突破哪些東西？

王小川：我們之前20年，我們稱之為信息時(shí)代，每個(gè)時(shí)代都有它的起點(diǎn)，就像最早輪子發(fā)明，有了農(nóng)業(yè)時(shí)代，輪子發(fā)明，可以推著小車去種地了，這是原始走過來。后來有蒸汽機(jī)，進(jìn)入工業(yè)時(shí)代，后來有了計(jì)算機(jī)和互聯(lián)網(wǎng)，我們進(jìn)入信息時(shí)代，信息時(shí)代大的特點(diǎn)就是能夠跨地域，跨時(shí)間，時(shí)空跨越進(jìn)行信息的傳遞。像e—mail或者IM就能跟大家進(jìn)行遠(yuǎn)程的交流，或者把信息放在網(wǎng)上，然后你用搜索檢索到，在這種情況下，輸入法、搜索引擎和通訊軟件是對新時(shí)代最核心的應(yīng)用，你剛才問的問題是AI個(gè)人助理往下20年里很重要的事情。

媒體：它真的到能夠很好地幫助人，協(xié)助人的階段，還要多久？

王小川：垂直領(lǐng)域慢慢就有了，真的輔助人，給普通人做翻譯，也是AI助理，以前靠真人，現(xiàn)在靠機(jī)器能做一部分了，再往下，像我們垂直場景里，我們也在做機(jī)器幫你做自動回復(fù)，給銷售公司或者客服公司在用。他已經(jīng)開始在做，但是他需要領(lǐng)域支持，是要靠人把這種知識進(jìn)行訓(xùn)練之后再做，不是只有思考能力。所以往下是靠數(shù)據(jù)驅(qū)動做這件事情，你讓它只會幫助人，他現(xiàn)在沒有取代人，現(xiàn)在看不到技術(shù)取代人，但是幫助人的事已經(jīng)開始發(fā)生了。

媒體：這里是賣解決方案嗎？

王小川：我們是to C，我們會把它用到消費(fèi)者，讓消費(fèi)者使用更方便。

媒體：AI合成主播或者未來做的AI合成影像，未來的使用場景是什么樣？

王小川：合成主播，今天給我們核心能力要做對話和問答，同時(shí)可以互動的，因此在醫(yī)療，在法律，在一些人機(jī)交互里，承擔(dān)了一個(gè)讓人更友好溝通的角色，但真正服務(wù)內(nèi)容是去要面對內(nèi)容的，就是把服務(wù)帶進(jìn)去。另外一種場景就是今天看到一種，交給新華社，他們有編輯在里面寫出稿子來，機(jī)器只是讀的角色，是單向的，不是雙向的，所以他只是自然交互，在知識計(jì)算里還沒有把這個(gè)能力放進(jìn)去。

媒體：搜狗未來的戰(zhàn)略是AI+IoT（物聯(lián)網(wǎng)），可以這么理解嗎？

王小川：IoT只是一個(gè)界面，我不能把IoT放在這么高的高度去，AI是核心，去幫助人表達(dá)獲取信息，IoT只是中間幫助你表達(dá)獲取信息的入口。

媒體：搜狗為什么不做智能音箱？

王小川：這個(gè)產(chǎn)品的核心點(diǎn)在于足夠低價(jià)便宜，不是靠技術(shù)驅(qū)動的，沒有這方面的能力，只能靠資金驅(qū)動，沒啥AI在里面。相當(dāng)于虧著錢賣，像打車外賣是燒錢的活，我們其實(shí)是不會做的，沒那個(gè)能力。

媒體：人工智能賺錢的拐點(diǎn)是什么時(shí)候？

王小川：人工智能是項(xiàng)技術(shù)，你說技術(shù)賺錢，這個(gè)詞是不成立的，你要變成某個(gè)業(yè)務(wù)才能變成賺錢的事情。而且人工智能技術(shù)尤其還需要數(shù)據(jù)驅(qū)動，所以小公司更困難。它是一個(gè)場景，能做附加的東西，這個(gè)不是從拐點(diǎn)上來看的。所以這是社會大分工、讓數(shù)據(jù)交換，讓小公司給大公司提供技術(shù)服務(wù)，看現(xiàn)在的趨勢，人工智能還真是大公司的事。另一條，如果政府做了很大的數(shù)據(jù)開放，可能會帶來新的投資機(jī)會，等于小公司有機(jī)會獲得數(shù)據(jù)了，如果政府開放數(shù)據(jù)，可能會帶來新的機(jī)會，這個(gè)事不知道會不會發(fā)生。

媒體：科創(chuàng)板塊有一個(gè)新的進(jìn)展，會不會投資一些公司？會不會自己上。

王小川：我們模式不會變的，我們不會投資賺錢，這不是我們干的活，我們做不過其他專業(yè)機(jī)構(gòu)的。談到我們自己，因?yàn)槲覀冊诿绹呀?jīng)上了，國內(nèi)環(huán)境，科創(chuàng)板塊如果做成功了，有巨大的意義。但是這東西就看政策，只知道這個(gè)事發(fā)生了，但是最后怎么演化，希望它成功，對中國是革命性的意義在。

媒體：在選擇2C智能硬件的產(chǎn)品的時(shí)候，您覺得現(xiàn)在還有哪些場景不被滿足的？

王小川：第一，需要有更好的錄音筆，真的是給老師，自媒體的人做演講的時(shí)候或者雙方談合同的時(shí)候，只要有商務(wù)活動都能用到，這是需要做的一件事情，但還不是品牌性的產(chǎn)品，要是能力上有升級，會有新的產(chǎn)品，我認(rèn)為努力帶來大家一起新的技術(shù)的思考，也可能是跟硬件廠商合作。

媒體：在數(shù)據(jù)及隱私保護(hù)這塊有什么新的變化嗎？

王小川：第一尊重隱私，保護(hù)隱私這是屬于很嚴(yán)肅的話題，得去做遵守，是符合法律和用戶的文化，但是我們知道如果一邊倒，隱私不可侵犯，這個(gè)視角是特別有害的，因?yàn)橹挥袆e人了解你的個(gè)性，才能給你更好的服務(wù)。所以這種情況里，從社會整體的價(jià)值看，個(gè)人能夠把自己一些數(shù)據(jù)開放開，讓企業(yè)知道，可以提供更好的服務(wù)，這種事情在安全情況下，該去倡導(dǎo)的一件事情，所以歐盟的做法，最后會把自己坑死掉的，用戶消費(fèi)者也不買賬，最后沒能服務(wù)升級，倒變成整體落后了。

媒體：當(dāng)搜狗新開一項(xiàng)業(yè)務(wù)的時(shí)候，什么是取決于這個(gè)業(yè)務(wù)要不要開，最大的思考維度是什么？

王小川：第一個(gè)，我們知道未來趨勢是什么，這個(gè)得知道，這是一個(gè)源頭。但是第二個(gè)事情為什么是我們做，我們在做這事的時(shí)候，跟我們價(jià)值觀也好，跟我們的能力也好，跟我們當(dāng)前的狀態(tài)也好，有什么樣的關(guān)系。為什么是我，這個(gè)事情也是很嚴(yán)肅的事。這個(gè)事最好有全局的使命，如果這是在趨勢里，在你的使命里，你會努力去做。

媒體：在搜狗公司您對自己的定位更像職業(yè)經(jīng)理人還是聯(lián)合創(chuàng)始人？

王小川：其實(shí)我雙重屬性都有，我同時(shí)承擔(dān)著創(chuàng)始人的精神作用和引領(lǐng)方向，但是因?yàn)楣蓹?quán)關(guān)系，我又得像職業(yè)經(jīng)理人干活，這個(gè)是挺獨(dú)一無二的狀態(tài)。