虚拟世界的新物种：九问虚拟数字人（上篇）

为什么数字人的应用正越来越受欢迎？

▌关键词：虚拟世界， 体验经济，人机交互新范式

追一数字人团队：越来越多的数字人应用见证的是一个虚拟世界的崛起。如果说在互联网时代，各种在线平台代表的是一种初级的“虚拟世界”，这个虚拟世界和物理世界之间还有着明显的区隔甚至割裂。 

随着5G等信息基础设施的完善，社交的视频化，视频会议和直播的普及，游戏的云化，物联网和数字孪生的发展， 虚拟现实/增强现实/混合现实的成熟，“万物互联”的世界逐渐成型，再加上人工智能等新兴技术的加持，一个和物理世界逐渐融合的虚拟世界正在崛起，人机交互的方式加速更迭，变得越来越丰富立体。先是有文本交互（比如即时通信工具聊天），后有语音交互（比如机器人外呼，智能家居的语音控制），再到融合了视觉、语音及语义技术的多模态数字人交互 （比如数字人导购，虚拟教师），用户在虚拟世界中将得到更为真实，更接近现实，更具沉浸感的体验。物理世界中人人交互的场景会越来越多在虚拟世界中迁移、复制并融合新体验，这就是数字人交互应用潜力所在，代表着智能人机交互的新范式。

此外，现在客户越来越重视体验，不只是满足于传统的价格、功能这些因素，“悦己”的情感诉求不断提升，体验经济渐渐崛起。基于生活和情境打造感官体验，让顾客在购物和服务中获得更好的愉悦感，有助于提升客户满意度，这也是数字人发展的一个重要驱动因素。

相对于文本和语音交互技术，数字人交互的价值具体体现在哪里？

▌关键词：真实，效率，情感

追一数字人团队：数字人最重要的价值是给用户提供更真实自然的交互方式，就像我们人与人之间的沟通一样，是最真实的，带来非常自然的体验，更加人性化。比如在教育场景，数字人可以做老师的虚拟形象，跟学生互动，提升学习的积极性和体验。

此外，从交互效率的角度来看，文本和语音都有局限。文本交互需要打字，语音可能会丢失信息（比如嘈杂环境下），但数字人听的懂，看的见，说的出，将身份识别、手势识别、情感识别等信息包含进来，信息收集、交互和传递维度更为丰富，有更强的场景适应性， 还可以增加多媒体面板以富媒体的形式表达信息，交互效率也提高不少。 

再者，数字人是非常好的情感化表达载体，在一些特定场景下有独特优势，是其他交互形式无法替代的，比如说针对独居老人，可以做一个亲人的形象来陪伴老人；针对留守儿童，可以做爸爸妈妈的形象。而语音和语义的交互形式更多停留在功能上的作用，情感化属性相对欠缺。情感属性的另一面还体现在数字人有助于企业品牌的人格化，和客户建立更人性化的情感纽带。 

当然，目前数字人的应用还在早期，随着时间的推移，大家对数字人的认识越来越深，越来越多的数字人价值会被发现和释放。

数字人行业整体发展情况如何？

▌关键词：百舸争流，良莠不齐

追一数字人团队：今年可以看作是数字人的元年，需求渐渐起来，越来越多的厂商也在进入数字人领域，一些行业的领先公司已经开始应用数字人，可以说是百舸争流，群雄逐鹿。不过整个数字人市场还在发展的初级阶段，各家公司都在探索不同的落地场景，大家走的方向和路径也有所不同。

从是否具备双向交流能力来看，数字人可分为交互型和非交互型。交互型就是具备类似于人的沟通和互动能力，能实时与人双向交流，可以用在客户服务，教育培训，营销导购等互动式场景。非交互型主要是指按照事先设定好的内容和情境单向输出内容，比如数字人主播，或者电影和游戏中的数字人。数字人的呈现形式可分为真人形象， 仿真，和卡通类型。真人形象目前是2D为主，能做到对人的形象像素级还原，3D真人要做到实时驱动唇形，动作，表情，目前技术上可行度不高，而仿真和卡通类型可以做到3D。

其实数字人技术挑战是蛮大的，特别是交互型，需要在语义、语音、视觉、底层算法等领域都有足够的技术积累，但目前各家企业技术良莠不齐，满足这些条件的厂商不多。有些厂商做的demo看上去很炫酷，但是“新瓶装旧酒“， 到底有多少真材实料要打个问号，真正从算法层面上实现的不多。

相信随着时间的推移，有一批公司会被淘汰掉；有自己核心技术的，经过时间的验证，会留下来的。追一在业内率先对数字人做了预研，有着深厚的技术积累，商业落地也走在前面，我们对自己的产品是非常有信心的。

作为一种新兴的技术应用，虚拟数字人的难点在哪里？

▌关键词：表现力，算法，交互

追一数字人团队：相比语义、语音交互产品，数字人加入了视觉元素，需要一个逼真的形象，让用户能够有交互的沉浸感。怎么让数字人在与用户的交互中做到非常自然，比如说数字人的声音和形象要同步，嘴型、动作和表情要匹配，没有瑕疵，而且要在对话中实时推理完成的，这对算法和计算性能的要求非常高，是非常难的。实际上，数字人是从文本低维信号转变为图像高维信号的过程，只有同时具备自然语言理解（NLP）、语音识别和生成，视觉合成这样的整体AI能力，才能给用户一个自然逼真的体验。

从产品设计的角度上讲，数字人是一个类似于人与人之间面对面交互的产品，语义、语音、视觉的交互是同步进行的。在产品设计的时候，怎么去设计这套交互规范，让它们互相协同，是比较大的一个挑战，需要时间上的沉淀和系统化的思考，也需要在实际落地应用中持续积累和迭代。

在这方面我们也做了很多探索，目前我们通过智慧超脑和智能导演系统来尝试做一些突破。智慧超脑，顾名思义，相当于数字人的“大脑”，是核心中枢，它集合NLP、深度学习、强化学习等多种AI能力，连接海量知识库，经由智慧超脑的精密运算，数字人的会话意图准确率在95%以上，确保交互的准确性。智能导演系统是数字人的后台决策系统，通过综合调动各项AI能力，让数字人的声音、形象等要素协调统一，自然流畅。

追一的虚拟数字人有何特点？

▌关键词：全栈，逼真，全案

追一数字人团队：尽管市面上越来越多的厂商开始发力数字人产品，但追一在技术积淀、仿真程度、全案交付能力上有着明显优势。

数字人从算法到设计，再到工程化和集成环节是非常复杂的，需要对语音、语义、视觉三个不同方向的AI能力进行整合，这要求厂商有非常深厚的技术积淀。追一是做语义起家的，逐步发展到语音和视觉多模态技术，形成全栈AI的能力，尤其是数字人的核心“大脑”部分，主要是依赖NLP技术实现人与人的双向交互，而NLP正是我们的核心技术优势，这是许多厂商所不具备的。

数字人的表现力一直是难点。得益于我们多年来对算法的钻研与沉淀，目前已经能实现快速准确的实时推理，确保嘴唇和声音完美契合，肢体动作自然流畅，图像合成逼真拟人，再加上我们在模特选型方面也特别注重其亲和力，确保最终呈现的数字人栩栩如生，具有无限接近于真人的表现力。

全案交付能力上，追一是一家专注于To B企业级市场的厂商，在金融、电信运营商等领域有丰富经验，能够深刻理解客户的业务场景和需求，有能力打磨面向企业级的全套数字人解决方案，实现包括数字人的形象、大脑、载体在内的整体解决方案设计及交付。市面上多数厂商仅能提供非交互型数字人解决方案的时候，我们的方案就已经覆盖全场景（交互型和非交互型）和全类型（真人，仿真， 卡通）。全栈的AI技术能力也使我们能提供一站式解决方案，无需依赖第三方技术。

延伸阅读

更   美   好   AI   世   界