AI如何讓董宇輝不下班？
“還有46分鐘，董老師休假就結束了?！?/p>
這是董宇輝最新視頻下點贊過百的一條留言。
他在東方甄選直播間消失的日子里，粉絲們涌入他的個人號，調侃“這個男人只要一放假休息，幾十萬人都得跟著失戀”。
然而對于頭部主播來說，再怎么愛崗敬業，也總有下播的時候。
畢竟連著幾個小時不斷說話，還得是妙語連珠的那種，既耗費腦力，對體力也是個不小的挑戰。
在這種情況之下，不僅“24小時直播”不大可能，連不輪班的長時間嘮嗑也不是人人能頂得住的。
不過話說回來，如果有機器加持呢……
特別是這段時間以來虛擬人等技術的爆火，很難不讓人腦洞大開——
憑借AI能力，能否做到讓頭部主播“本人”24小時駐守直播間？
更進一步說，是不是沒有董老師的雙語能力，也能語言無縫轉換，直接走向國際？
24小時直播，到底難在哪？
按目前實現的各種AI技術來看，這些“腦洞”并非無法實現。
在圖像技術上，AI直接生成虛擬形象、或是給主播“換”個臉已經不是什么難事。
例如，國外以假亂真的“阿湯哥”在TikTok上火了好一陣，國內的柳夜熙、李星瀾等虛擬形象也在國內社交媒體平臺上大受歡迎，視頻中幾乎看不見“AI合成”的影子，評論中驚艷的聲音也居多。
不僅如此，AI生成圖像甚至視頻的效果也日漸精致，國外OpenAI的DALL·E2、谷歌最新Imagen和Parti、國內智源CogVideo和微軟亞研院NUWA-Infinity等，都是這幾個月出現的新成果。
上述這些圖像技術，有不少已經開放了API接口、或是申請試用，加上有不少類似的開源模型，基本上已經能做到“人人可玩”。
基于這些技術，現在國內外各平臺，也出現了不少“24小時直播”的AI博主。
但點進去看卻會發現，這些AI博主遠不如真人主播、或是真人扮演的虛擬主播人氣高。
△24小時AI虛擬主播，半天只有167人“看過”
直播效果上，也與我們期待的那種“24小時直播”有點遠：
互動時，大部分AI主播能做的非常有限，有些只能簡單地唱幾首歌（限定歌單）、或是根據設定好的指令進行回復等；
說話時，用AI合成的虛擬主播音色，不僅語氣沒有真人主播那般生動、也無法主動制造一些情緒上的“驚喜”。
這背后反映的是絕大多數虛擬AI主播的痛點——
雖然這幾年圖像生成技術突破不斷，但語音語言AI的技術門檻，卻仍然較高。
以董宇輝直播間為例，雖然只要董老師樂意，合成一個“AI董宇輝”的形象并不是一件難事；
然而，讓“AI版”董老師說話語氣和音色更像本人、認出直播間其他老師的聲音、甚至聽懂直播間外助手的“指示”等操作，卻仍舊難以完成。
這背后對應的，是語音合成、聲音識別、語音識別等各種語音語言AI的綜合能力。
更進一步，想讓這個直播間國際化的話，還會對語音能力提出更高一步的要求。
例如，至少需要能夠實時在線翻譯的AI字幕：
在此基礎上，如果要做成無障礙直播間的話，還需要進一步掌握同聲傳譯的能力。
好消息是，現在，已經有越來越多科技大廠注意到這一賽道，這幾年一直在不斷加大投入。
國內外大廠紛紛加碼
光從理論研究來看，語音語言AI方向的論文已有不少。
亞馬遜谷歌等大廠，關于對話AI、NLP和語言處理等方向的AI論文已經達到幾百甚至上千篇，其中有不少都是頂會論文；Meta光是2018一年，就拿了EMNLP和ACL兩大NLP頂會的最佳論文……
（當然，也有少發論文的，例如蘋果更喜歡申請專利）
國內如BAT、華為、京東等公司，這幾年也成立了自己的聲學或NLP實驗室，在NAACL、AAAI和ACL等不少頂會上拿過各種論文獎項。
△ACL 2022部分杰出論文獎
以IWSLT（國際口語機器翻譯比賽）為例，這是國際上最具影響力的口語機器翻譯比賽之一。
就在今年的賽事上，華為在語音到語音翻譯、離線語音翻譯和等長口語翻譯三個任務上，拿到了四個語言方向的TOP 1。
但在研究以外，各大廠在語音語言AI技術的落地上卻有著不同的思路。
除了基于最新研究優化自身產品（語音助手、搜索引擎等）以外，部分廠商選擇直接將模型開源、或是做成AI框架供開發者調用。
這樣的AI能力，對于不少沒接觸過AI的開發者來說又“過于深奧”，甚至連它應該怎么用、用在哪里都難以捉摸清楚。
一定程度上，也導致了不少開發者并沒有機會接觸到最新的語音語言類AI技術。
尤其是這幾年很火的同聲傳譯AI，對于實時性和模型性能都有一定的要求，相應的論文和Workshop也在頂會上出現得越來越多。
對于直播等行業來說，要想擴大受眾和影響范圍，同傳AI也是一項不可或缺的技術。
所以，有沒有門檻更低的落地方式呢？
現在就已經有不少廠商開始嘗試一種新方法——
以華為為例，就針對移動端開發者，基于華為移動核心服務（HMS Core）打造了一套專門的機器學習服務（ML Kit）工具包。
在這樣的基礎上，開發者無需掌握AI技術細節，就能在自己開發的移動APP或應用中用上這些語音語言技術。
例如，剛剛我們看到的AI字幕（在線文本翻譯）和同聲傳譯，就是基于華為這套工具包中的語音語言AI能力，輕松做出來的效果。
開發門檻越來越低
說了這么多，具體怎么上手用起來，咱們不妨看看前輩們都是怎么做的。
比如，在華為開發者論壇上，就有人基于ML Kit中實時語音識別、實時語音轉寫等功能，給外婆開發了一個語音搜索購物App。
其中語音功能的實現，步驟并不復雜。
首先，你需要做一些開發準備工作，包括：在華為開發者聯盟網站上完成實名注冊，配置AppGallery Connect，并在工程中配置HMS Core SDK的Maven倉地址。
然后，集成相關服務SDK。以實時語音識別服務為例，代碼如下：
dependencies{
// 引入實時語音識別服務插件
implementation 'com.huawei.hms:ml-computer-voice-asr-plugin:3.5.0.303'
}
接著，就可以進入接入語音服務的階段了。
還是以實時語音識別服務為例。在設置完成應用的鑒權信息之后，第一步是參考支持語言列表LANGUAGE，創建intent，用于設置實時語音識別參數。
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);
}
});
第二步是創建activity，傳入之前創建的intent，用于拾音，并將結果返回原activity，可實時識別60s內（包括60s）的語音。
private static final int REQUEST_CODE_ASR = 100;
// REQUEST_CODE_ASR表示當前Activity和拾音界面Activity之間的請求碼，通過該碼可以在當前Activity中獲取拾音界面的處理結果。
startActivityForResult(intent, REQUEST_CODE_ASR);
最后，覆寫“onActivityResult”方法，用于處理語音識別服務返回結果即可（詳細代碼見參考鏈接）。
每一步的開發細節，在HMS Core官網都有詳盡的開發指南可供查詢，十分新手友好。
另外，HMS Core的機器學習服務也不僅適用于華為手機，Android設備和iOS設備也能用，具體版本要求如下。
怎么樣？簡單接入SDK，無需復雜的調參訓練，即可獲得大廠商用級別的AI算法能力，你是不是已經腦洞大開了？
（并且還不僅僅是語音語言技術，ML Kit還提供了文本、圖像等各種AI算法功能。具體詳情，可戳文末“閱讀原文”，參考ML Kit官網）。
然而對于頭部主播來說，再怎么愛崗敬業，也總有下播的時候。
實際上，這種把長期積累的技術能力，通過能夠輕松上手的工具釋放給移動應用開發者的做法，亦非華為一家獨有。
無論是谷歌的GMS Core，還是蘋果面向開發者的各種Kit，核心目的都是想不斷降低前沿技術落地的門檻，讓更多開發者能在技術顧慮之外，將更多的精力和時間投入到創意當中。
如此一來，手機用戶們自然喜聞樂見：最新鮮的技術能以各種好玩的創意形式，在手機里直接體驗到。
對于廠商而言，應用的繁榮則構成生態循環中最為重要的一個節點，對外吸引更多用戶，對內匯聚更多優秀的開發者。
