AI如何让董宇辉不下班？

“还有46分钟，董老师休假就结束了。”

这是董宇辉最新视频下点赞过百的一条留言。

他在东方甄选直播间消失的日子里，粉丝们涌入他的个人号，调侃“这个男人只要一放假休息，几十万人都得跟着失恋”。

然而对于头部主播来说，再怎么爱岗敬业，也总有下播的时候。

毕竟连着几个小时不断说话，还得是妙语连珠的那种，既耗费脑力，对体力也是个不小的挑战。

在这种情况之下，不仅“24小时直播”不大可能，连不轮班的长时间唠嗑也不是人人能顶得住的。

不过话说回来，如果有机器加持呢……

特别是这段时间以来虚拟人等技术的爆火，很难不让人脑洞大开——

凭借AI能力，能否做到让头部主播“本人”24小时驻守直播间？

更进一步说，是不是没有董老师的双语能力，也能语言无缝转换，直接走向国际？

24小时直播，到底难在哪？

按目前实现的各种AI技术来看，这些“脑洞”并非无法实现。

在图像技术上，AI直接生成虚拟形象、或是给主播“换”个脸已经不是什么难事。

例如，国外以假乱真的“阿汤哥”在TikTok上火了好一阵，国内的柳夜熙、李星澜等虚拟形象也在国内社交媒体平台上大受欢迎，视频中几乎看不见“AI合成”的影子，评论中惊艳的声音也居多。

不仅如此，AI生成图像甚至视频的效果也日渐精致，国外OpenAI的DALL·E2、谷歌最新Imagen和Parti、国内智源CogVideo和微软亚研院NUWA-Infinity等，都是这几个月出现的新成果。

上述这些图像技术，有不少已经开放了API接口、或是申请试用，加上有不少类似的开源模型，基本上已经能做到“人人可玩”。

基于这些技术，现在国内外各平台，也出现了不少“24小时直播”的AI博主。

但点进去看却会发现，这些AI博主远不如真人主播、或是真人扮演的虚拟主播人气高。

△24小时AI虚拟主播，半天只有167人“看过”

直播效果上，也与我们期待的那种“24小时直播”有点远：

互动时，大部分AI主播能做的非常有限，有些只能简单地唱几首歌（限定歌单）、或是根据设定好的指令进行回复等；

说话时，用AI合成的虚拟主播音色，不仅语气没有真人主播那般生动、也无法主动制造一些情绪上的“惊喜”。

这背后反映的是绝大多数虚拟AI主播的痛点——

虽然这几年图像生成技术突破不断，但语音语言AI的技术门槛，却仍然较高。

以董宇辉直播间为例，虽然只要董老师乐意，合成一个“AI董宇辉”的形象并不是一件难事；

然而，让“AI版”董老师说话语气和音色更像本人、认出直播间其他老师的声音、甚至听懂直播间外助手的“指示”等操作，却仍旧难以完成。

这背后对应的，是语音合成、声音识别、语音识别等各种语音语言AI的综合能力。

更进一步，想让这个直播间国际化的话，还会对语音能力提出更高一步的要求。

例如，至少需要能够实时在线翻译的AI字幕：

在此基础上，如果要做成无障碍直播间的话，还需要进一步掌握同声传译的能力。

好消息是，现在，已经有越来越多科技大厂注意到这一赛道，这几年一直在不断加大投入。

国内外大厂纷纷加码

光从理论研究来看，语音语言AI方向的论文已有不少。

亚马逊谷歌等大厂，关于对话AI、NLP和语言处理等方向的AI论文已经达到几百甚至上千篇，其中有不少都是顶会论文；Meta光是2018一年，就拿了EMNLP和ACL两大NLP顶会的最佳论文……

（当然，也有少发论文的，例如苹果更喜欢申请专利）

国内如BAT、华为、京东等公司，这几年也成立了自己的声学或NLP实验室，在NAACL、AAAI和ACL等不少顶会上拿过各种论文奖项。

△ACL 2022部分杰出论文奖

以IWSLT（国际口语机器翻译比赛）为例，这是国际上最具影响力的口语机器翻译比赛之一。

就在今年的赛事上，华为在语音到语音翻译、离线语音翻译和等长口语翻译三个任务上，拿到了四个语言方向的TOP 1。

但在研究以外，各大厂在语音语言AI技术的落地上却有着不同的思路。

除了基于最新研究优化自身产品（语音助手、搜索引擎等）以外，部分厂商选择直接将模型开源、或是做成AI框架供开发者调用。

这样的AI能力，对于不少没接触过AI的开发者来说又“过于深奥”，甚至连它应该怎么用、用在哪里都难以捉摸清楚。

一定程度上，也导致了不少开发者并没有机会接触到最新的语音语言类AI技术。

尤其是这几年很火的同声传译AI，对于实时性和模型性能都有一定的要求，相应的论文和Workshop也在顶会上出现得越来越多。

对于直播等行业来说，要想扩大受众和影响范围，同传AI也是一项不可或缺的技术。

所以，有没有门槛更低的落地方式呢？

现在就已经有不少厂商开始尝试一种新方法——

以华为为例，就针对移动端开发者，基于华为移动核心服务（HMS Core）打造了一套专门的机器学习服务（ML Kit）工具包。

在这样的基础上，开发者无需掌握AI技术细节，就能在自己开发的移动APP或应用中用上这些语音语言技术。

例如，刚刚我们看到的AI字幕（在线文本翻译）和同声传译，就是基于华为这套工具包中的语音语言AI能力，轻松做出来的效果。

开发门槛越来越低

说了这么多，具体怎么上手用起来，咱们不妨看看前辈们都是怎么做的。

比如，在华为开发者论坛上，就有人基于ML Kit中实时语音识别、实时语音转写等功能，给外婆开发了一个语音搜索购物App。

其中语音功能的实现，步骤并不复杂。

首先，你需要做一些开发准备工作，包括：在华为开发者联盟网站上完成实名注册，配置AppGallery Connect，并在工程中配置HMS Core SDK的Maven仓地址。

然后，集成相关服务SDK。以实时语音识别服务为例，代码如下：

dependencies{
    // 引入实时语音识别服务插件
    implementation 'com.huawei.hms:ml-computer-voice-asr-plugin:3.5.0.303'
}

接着，就可以进入接入语音服务的阶段了。

还是以实时语音识别服务为例。在设置完成应用的鉴权信息之后，第一步是参考支持语言列表LANGUAGE，创建intent，用于设置实时语音识别参数。

mSpeechRecognizer.getLanguages(new MLAsrRecognizer.LanguageCallback() { 
     @Override 
    public void onResult(List<String> result) {
        Log.i(TAG, "support languages==" + result.toString());
    }
    @Override
    public void onError(int errorCode, String errorMsg) {
        Log.e(TAG, "errorCode:" + errorCode + "errorMsg:" + errorMsg);
    }
});

第二步是创建activity，传入之前创建的intent，用于拾音，并将结果返回原activity，可实时识别60s内（包括60s）的语音。

private static final int REQUEST_CODE_ASR = 100;
// REQUEST_CODE_ASR表示当前Activity和拾音界面Activity之间的请求码，通过该码可以在当前Activity中获取拾音界面的处理结果。
startActivityForResult(intent, REQUEST_CODE_ASR);

最后，覆写“onActivityResult”方法，用于处理语音识别服务返回结果即可（详细代码见参考链接）。

每一步的开发细节，在HMS Core官网都有详尽的开发指南可供查询，十分新手友好。

另外，HMS Core的机器学习服务也不仅适用于华为手机，Android设备和iOS设备也能用，具体版本要求如下。

怎么样？简单接入SDK，无需复杂的调参训练，即可获得大厂商用级别的AI算法能力，你是不是已经脑洞大开了？

（并且还不仅仅是语音语言技术，ML Kit还提供了文本、图像等各种AI算法功能。具体详情，可戳文末“阅读原文”，参考ML Kit官网）。

然而对于头部主播来说，再怎么爱岗敬业，也总有下播的时候。

实际上，这种把长期积累的技术能力，通过能够轻松上手的工具释放给移动应用开发者的做法，亦非华为一家独有。

无论是谷歌的GMS Core，还是苹果面向开发者的各种Kit，核心目的都是想不断降低前沿技术落地的门槛，让更多开发者能在技术顾虑之外，将更多的精力和时间投入到创意当中。

如此一来，手机用户们自然喜闻乐见：最新鲜的技术能以各种好玩的创意形式，在手机里直接体验到。

对于厂商而言，应用的繁荣则构成生态循环中最为重要的一个节点，对外吸引更多用户，对内汇聚更多优秀的开发者。