AI成真：虛擬數字人走進生活

羅道

虛擬數字人的誕生

虛擬數字人，是存在于數字世界的“人”，通過動作捕捉、三維建模、語音合成等技術高度還原真實人類，再借助AR/MR/VR等終端呈現出來的立體“人”。在人工智能、虛擬現實等新技術浪潮的帶動下，虛擬數字人制作過程得到有效簡化、各方面性能獲得飛躍式提升。

“虛擬數字人”一詞最早源于 1989 年美國國立醫學圖書館發起的“可視人計劃”（Visible Human Project， YHP）。這些“虛擬數字人”主要是指人體結構的可視化，以三維形式顯示人體解剖結構的大小、形狀、位置及器官間的相互空間關系，即利用人體信息，實現人體解剖結構的數字化。主要應用于醫療領域的人體解剖教學、臨床診療等。

該技術在發展中拓展到高保真數字人的技術邊界，在電影技術應用中得到拓展，提升了電影和游戲開發的商業機遇，主要應用的技術包括：照相建模、實時捕捉。

虛擬數字人的發展與其制作技術的進步密不可分，從最早的手工繪制到現在的 CG（Computer Graphics，電腦繪圖）、人工智能合成，虛擬數字人大致經歷了萌芽、探索、初級和成長四個階段。行業人士稱，不久的將來，現實世界中的每一個地方和事物——每一條街道、每一個燈柱、每一棟建筑物和每一個房間都會在鏡像世界中擁有它的全尺寸“數字孿生兄弟”。

早期的虛擬歌姬林明美

20 世紀 80 年代，人們開始嘗試將虛擬人物引入到現實世界中，虛擬數字人步入萌芽階段。該時期虛擬數字人的制作技術以手工繪制為主，應用極為有限。1982 年，日本動畫《超時空要塞》播出后，制作方將女主角林明美包裝成演唱動畫插曲的歌手，并制作了音樂專輯，該專輯成功打入當時日本知名的音樂排行榜 Oricon，林明美也成為了世界上第一位虛擬歌姬。

1984年英國人 George Stone 創作出一個名為Max Headroom的虛擬人物，Max擁有人類的樣貌和表情動作，身穿西裝，佩戴墨鏡，曾參演了一部電影，拍攝了數條廣告，一度成為英國家喻戶曉的虛擬演員。由于技術的限制，其虛擬形象是由真人演員通過特效化妝和手繪實現。

21 世紀初，傳統手繪逐漸被 CG、動作捕捉等技術取代，虛擬數字人步入探索階段。該階段的虛擬數字人開始達到實用水平，但造價不菲，主要出現在影視娛樂行業，如數字替身、虛擬偶像等。電影制作中的數字替身一般利用動作捕捉技術，真人演員穿著動作捕捉服裝，臉上點上表情捕捉點，通過攝像機、動作捕捉設備將真人演員的動作、表情采集處理，經計算機處理后賦予給虛擬角色。

《指環王》中的角色咕嚕就是由 CG 技術和動作捕捉技術產生，這些技術后續還在《加勒比海盜》《猩球崛起》等電影制作中使用。之后日本還制作了第一個被廣泛認可的虛擬數字人“初音未來”，初音未來是二次元風格的少女偶像，早期的人物形象 主 要 利 用 CG 技 術合成 ，人物聲音采用雅馬哈的VOCALOID系列語音合成，呈現形式還相對粗糙。

近五年，得益于深度學習算法的突破，數字人的制作過程得到有效簡化，虛擬數字人開始步入正軌，進入初級階段。該時期人工智能成為虛擬數字人不可分割的工具，智能驅動的數字人開始嶄露頭角。

智能合成和動作捕捉遷移

通過將捕捉采集的動作遷移至數字人是目前3D數字人動作生成的主要方式，核心技術是動作捕捉

邁克斯·泰格在《生命LIFE 3.0》一書中說，生命3.0是一個由人工智能重塑的時代。在這個時代，我們可以設計自己的硬件和軟件。

所謂的“像真人”，不外乎是運用“AI合成”技術。“虛擬主播”通過提取真人主播新聞播報視頻中的聲音、唇形、表情動作等特征，運用語音、唇形、表情合成以及深度學習等技術聯合建模訓練而成。

該項技術要能夠將所輸入的中英文文本自動生成相應內容的視頻，并確保視頻中音頻和表情、唇動保持自然一致，展現與真人主播無異的信息傳達效果。但在此之前，出現在大眾媒體上的虛擬主播，多半只有聲音，或者匹配一個量身定制的虛擬形象，比如微軟小冰在東方衛視擔任天氣預報員就是如此。

真人演員會穿戴實時動捕的頭盔和設備去實時地驅動虛擬的角色，然后在引擎中進行各種效果的技術整合

要實現這樣的效果，兩大要求缺一不可。其一是高逼真度。要能夠自動生成語音、表情、唇動等信息完全一致的自然視頻，并已達到商用級別。其二是低成本的個性化定制。小數據的學習模型，使用少量用戶真實音視頻數據，快速遷移生成虛擬的分身模型，快速定制出高逼真度的分身模型。最后，使用時輸入一段文本，即可生成與真人無異的同步音視頻。

除此之外，語音合成引擎和圖像生成引擎也是重要的兩點。在語音合成引擎中，基于用戶少量音頻數據，使用語音合成技術，快速學習用戶音色、韻律、情感等多維度特征，建立輸入文本與輸出音頻信息的關聯。

圖像生成引擎，則是使用人臉識別、三維人臉重建、表情建模等技術對人臉表情動作進行特征學習和建模，建立輸入文本、輸出音頻與輸出視覺信息的關聯映射，生成輸出分身視頻。

最后，兩大引擎協作打磨，最終才能實現“AI合成主播”，能夠逼真模擬人類說話的聲音、嘴唇動作和表情，并將三者自然匹配，做到惟妙惟肖，讓機器以更逼真自然的形象呈現在用戶面前。

目前2D、3D 數字人均已實現嘴型動作的智能合成，其他身體部位的動作目前還只支持錄播。2D、3D 數字人嘴型動作智能合成的底層邏輯是類似的，都是建立輸入文本到輸出音頻與輸出視覺信息的關聯映射，主要是對已采集到的文本到語音和嘴型視頻（2D）/嘴型動畫（3D）的數據進行模型訓練，得到一個輸入任意文本都可以驅動嘴型的模型，再通過模型智能合成。

除了虛擬主播，電影產業也把虛擬數字人技術發揮到了極致，最常用的是基于 Marker（馬克點）的光學動作捕捉，即在演員身上粘貼能夠反射紅外光的馬克點，通過攝像頭對反光馬克點的追蹤，來對演員的動作進行捕捉。這種方式對動作的捕捉精度高，但對環境要求也高，并且造價高昂。光學式解決方案比較出名的企業有英國的Vicon、美國的 OptiTrack 和魔神（MotionAnalysis），國內的有Nokov、uSens、青瞳視覺等。

慣性動作捕捉主要是基于慣性測量單元（Inertial Measurement Unit，IMU）來完成對人體動作的捕捉，即把集成了加速度計、陀螺儀和磁力計的IMU 綁在人體的特定骨骼節點上，通過算法對測量數值進行計算，從而完成動作捕捉。這種慣性動作捕捉方案價格相對低廉，但精度較低，會隨著連續使用時間的增加產生累積誤差，發生位置漂移。

慣性式動捕方案的代表性企業有荷蘭的 Xsens，以及國內的諾亦騰（Noitom）、幻境、國承萬通等。基于計算機視覺的動作捕捉主要是通過采集及計算深度信息來完成對動作的捕捉，是近些年才興起的技術。這種視覺動捕方式因其簡單、易用、低價，已成為目前使用的頻率較高的動作捕捉方案，代表性產品有 Leap Motion、微軟Kinect 等。

渲染讓真實性和實時性均大幅提升

人體動態三維重建一直是計算機視覺、計算機圖形學等領域研究的重點，主要采用攝像機陣列采集動態數據，可重建高低頻幾何、紋理、材質、三維運動信息。

光場成像是計算攝像學領域一項新興技術，它不同于現有僅展示物體表面光照情況的 2D 光線地圖，光場可以存儲空間中所有光線的方向和角度，從而生成場景中所有表面的反射和陰影，這為人體三維重建提供了更加豐富的圖像信息。

近年來 Mirosoft、Google、Intel、Facebook 等公司都在積極展開相關研究，其中 Microsoft 的 108 攝像機 MRstudio已經在全球各大洲均有建設;Google 的 Relightable 系統將結構光、動態建模、重光照技術集成到一起，在一套系統中包含模型重建、動作重建、光照重建的全部功能;國內清華大學、商湯科技、華為等也展開了相關研究，并取得國際水平的同步進展。

PBR（Physically Based Rendering，基于物理的渲染技術）渲染技術的進步以及重光照等新型渲染技術的出現使數字人皮膚紋理變得真實，突破了恐怖谷效應。恐怖谷效應由日本機器人專家森政弘提出，認為人們對機器人的親和度隨著其仿真程度增加而增高，但當達到一個較高的臨界點時，親和度會突然跌入谷底，產生排斥、恐懼和困惑等負面心理。

數字人恐怖谷效應主要由數字人外表、表情動作上與真人的差異帶來，其中外表真實感的關鍵就是皮膚材質的真實感，無論是塑料感還是蠟像感都會給人類帶來不適。在 PBR 技術出現之前，限于相關軟硬件的發展程度，所有的 3D 渲染引擎，更多的著重在于實現 3D 效果，在真實感體現方面差強人意。

計算機中的虛擬數字人在任意虛擬環境下可以呈現近乎真實的效果，徹底改變了傳統渲染方式通過模擬皮膚復雜的透射反射來計算渲染總會帶來誤差的局面

頭發制作和渲染已經精細到各個層次

PBR 是基于真實物理世界的成像規律模擬的一類渲染技術的集合，它的關鍵在于微表面模型和能量守恒計算，通過更真實的反映模型表面反射光線和折射光線的強弱，使得渲染效果突破了塑料感。目前常見的幾款 3D 引擎，如UnrealEngine 4、CryEngine 3、 Unity 3D 5，均有了各自的 PBR實現。

電影里采用最廣泛的的重光照技術（Relighting）是通過采集模擬多種光照條件的圖像數據，測算數字人表面光照反射特性，并合成出數字人模型在新的光照下的渲染結果。該技術在 2000 年初由南加州大學實驗室創建LightStage 平臺時提出，并開始了相關研究，目前已經經過 7代的迭代發展，已被成功應用到《阿凡達》《復仇者聯盟》等眾多經典影片的角色制作中。國內清華大學、浙江大學也都建設了重光照系統，可以實現高精度人體光照采集與重建。

早期的實時渲染只能選擇高度抽象和簡化過的渲染算法，犧牲了畫面質量。隨著硬件能力的提升和算法的突破，渲染速度、渲染效果的真實度、渲染畫面的分辨率均大幅提升，在虛擬人物實時渲染方面已經能做到以假亂真，這些都代表著未來的AI發展方向。