隨著大模型元宇宙熱潮日漸高漲，虛擬主播、虛擬客服等數(shù)字人已從科幻走進(jìn)現(xiàn)實(shí)。他們的語言、動作、表情等都十分接近真人。這樣的虛擬數(shù)字人是如何打造出來的?5月19日舉行的全國首個高校大模型元宇宙科創(chuàng)大賽——第四屆“天馬杯”全國高�？萍紕�(chuàng)新大賽(簡稱“天馬杯”)決賽將為大家揭秘。

　　據(jù)大賽主辦方馬上消費(fèi)金融股份有限公司(下稱“馬上消費(fèi)”)副總經(jīng)理兼首席信息官蔣寧介紹，本次大賽將賽道集中在前沿科技領(lǐng)域，以元宇宙為核心，設(shè)置了2D數(shù)字人驅(qū)動、3D數(shù)字人驅(qū)動、NLP(自然語言處理，屬于人工智能的一個子領(lǐng)域)三個賽道。

　　其中，2D數(shù)字人驅(qū)動賽道的賽題為“語音驅(qū)動數(shù)字人口型生成”，3D數(shù)字人驅(qū)動賽題為“視頻驅(qū)動人臉生成”，NLP賽道賽題為“數(shù)字人播報資訊內(nèi)容生成”。在前期的預(yù)賽中，參賽團(tuán)隊(duì)圍繞這三大賽題進(jìn)行開發(fā)，取得了讓數(shù)字人具備“人的行為模式”的創(chuàng)新成果。決賽中，他們將通過現(xiàn)場演示、答辯，展示這些創(chuàng)新成果。

　　譬如，在2D數(shù)字人驅(qū)動賽道中，主辦方提供了一系列真人錄制的音畫同步的短視頻，以及對應(yīng)的其中人臉的3DMM參數(shù)(這個參數(shù)用來表示人臉關(guān)鍵點(diǎn)位的空間坐標(biāo)和形變)。有賽隊(duì)基于這些數(shù)據(jù)開展建模訓(xùn)練，實(shí)現(xiàn)了通過分析語音信號中的語調(diào)、語速、情感等信息來預(yù)測說話人的面部表情。據(jù)此，可以一張圖片和通過語音生成的表情參數(shù)作為輸入，生成與輸入語音同步的說話人人臉視頻。

　　在3D數(shù)字人驅(qū)動賽道中，主辦方提供了一系列真人錄制的人臉短視頻，以及對應(yīng)的其中人臉的BlendShape參數(shù)(用于描述人體表面形狀變化的參數(shù))。有賽隊(duì)基于這些數(shù)據(jù)，根據(jù)輸入人臉提取的關(guān)鍵點(diǎn)信息與基準(zhǔn)的人臉關(guān)鍵點(diǎn)計(jì)算差值，然后用差值加上額外計(jì)算參數(shù)輸入模型去預(yù)測人臉表情變化。據(jù)此，僅通過攝像頭就能捕捉面部表情并構(gòu)建3D人臉模型。

　　在NLP賽道中，主辦方提供了一系列基于真實(shí)新聞得到的素材——新聞以及與之相關(guān)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。有賽隊(duì)基于其中的訓(xùn)練數(shù)據(jù)，探索多種可行的預(yù)訓(xùn)練模型并最終選定一種模型，打造出了數(shù)字人新聞播音員。該數(shù)字人新聞播音員能夠基于關(guān)鍵新聞素材(如時間、地點(diǎn)、人物、事件等)生成一段通暢、易讀的資訊新聞。

　　蔣寧表示，隨著大模型概念火爆，各種虛擬數(shù)字人如潮水般涌現(xiàn)。而另一方面，元宇宙又對虛擬數(shù)字人的語言、動作、表情等提出了更高的要求，需要虛擬數(shù)字人像真人一樣“動起來”。在此背景下，“天馬杯”決賽設(shè)置上述三大賽道，旨在以比賽促進(jìn)數(shù)字人技術(shù)創(chuàng)新發(fā)展，探索讓數(shù)字人能真實(shí)還原真人表情、語言和動作的新方法、新路徑。

　　“參加本次比賽之前，我們團(tuán)隊(duì)也在研究數(shù)字人，但往往更偏重理論，實(shí)用性不大。而本次比賽和我們平時的研究有一定的相關(guān)性，有利于我們將所學(xué)理論知識與實(shí)踐相結(jié)合，提高團(tuán)隊(duì)開發(fā)數(shù)字人的技術(shù)水平�！眳①愱�(duì)代表USTC-Qingbo賽隊(duì)隊(duì)長李弘毅說。