也談“AI主播”

11月8日，新華社和搜狗在烏鎮峰會現場發布的“AI主播”可以說是確確實實地在全世界範圍內引起了反響。

有些國內產品會找一些“不入流”的外文網站出稿，假裝獲得了“全球媒體”關注，但這次的“AI主播”不在此列。 CNN、BBC、The Verge、CNET、南華早報等都在主要的版面給了這兩位“主播”一席之地。

這倒並不是因為新華社版“AI主播”在技術上有多先進，而是說， 更多是因為一個國家級主流媒體運用虛擬主播技術，這項舉動本身俱有強烈的象徵性意義。

就像之前曾經被沙特授予“公民權”的那位女性機器人“索菲亞”一樣，“她”也不一定是當今世界上技術最先進的機器人，只不過是說這件事情可以成為時代進步的一個強烈 的隱喻。

沒準，未來再回顧21世紀第二個十年的時候，這個鏡頭可以作為無數關鍵時刻其中的驚鴻一瞥。

低級失誤

兩位“AI主播”的外觀和聲音是分別取材自新華網絡電視（CNC）中文台和英文台的兩個主持人，其中被廣泛傳播到全世界的演示視頻，是以新華英文台的主持人 形象示人的英語“AI主播”所播報的一則關於進口博覽會的新聞。

在這則兩三分鐘的新聞當中，還是不可避免地出現了比較低級的失誤：將阿里巴巴創始人馬雲的名字“Jack Ma”誤讀成了“Jack Massachusetts”，這是因為語音合成系統讀到 這部分文字稿的時候，判斷“MA”兩個字母是美國馬薩諸塞州的縮寫。

在很多情況下，需要讀到美國某個小地方地名的時候，就需要把“MA”理解為“馬薩諸塞州”，但預防此類問題，既可以通過將“Jack Ma”一詞特殊化處理， 也可以通過將美國地方地名特殊化處理的方法來化解。 在對外演示的視頻中出現這樣的錯誤，恰恰證明了新華社和搜狗並未針對主播們的“處女秀”而對演示“弄虛作假”，完全是以真面目示人。

開始跨越“恐怖谷”

世界各國媒體在觀察這對“AI主播”的時候，都說“他們”暫時還沒有實現新華社本身所宣傳的那樣，能夠百分之百的替代真人的效果，同時還是被卡在了所謂“恐怖谷” 當中。 也就是說， 當類人形象的擬真度達到90%左右，尚未能夠100%以假亂真的情況之下，會產生一種不自然的機械感，甚至會令人毛骨悚然。

早幾年，人們都是在達到“恐怖谷”級別後，稍微往後退縮一點，即進一步的增強機器與人之間的差異，用一個本來就知道是機器人，或是卡通形象的臉，就 可以規避讓人害怕的麻煩，也創造出初音未來，或是“會說話的湯姆貓”這樣的角色。

因此，早在大概2013~14年，使用機械聲音味道很濃重的合成語音，加上明顯不像是真人的卡通形象，替代人類去做一些資訊播報的做法，已經在普通的電腦和手機用戶中 普及氾濫。

在YouTube上，世界各國的上傳者為了爭取（騙取）點擊和貼片廣告費，會在一些突發新聞出來的時候，搶著發一些“混淆視聽”的視頻內容。 最開始，網上可能只有圖文消息出來，暫時還缺乏電視台或廣播電台的真人播報錄像，或者這些錄像會因為版權問題被清理掉。 那麼，這一段時間之內如果有人去YouTube試圖尋找新聞報導，就會遇到一個“空窗期”。

做假視頻內容的人會將圖文報導貼入“谷歌翻譯”等文本轉語音（TTS）軟件，生成配音，再把隨便什麼地方找的配圖一搭配，輔以花花綠綠的字體，最重要 的是配上“突發新聞、最新報導、現場直播”這樣的有利於搜索引擎抓取（SEO）的標題，本來想看電視台報導的觀眾就會遇到這些招搖撞騙的垃圾信息，從而上當受騙。

某個專門上傳這種“騙點擊”（Clickbait）視頻的號長這樣：

航通社在《都8102年了，機器人還是“靜若癱瘓，動如癲癇”》一文中曾提到過：

“研發更像人的交互界面始終存在風險，所以更多的服務型機器人從‘肉體’到‘靈魂’——即內置的AI操作系統——都在恐怖谷前停下了腳步。

大家寧可表現得像‘面癱’版喜羊羊，也不願意冒產品滯銷的風險，向著真正像人一樣的終極目標邁出那一步。 ”

新華社和搜狗共同努力做的“機器人播報員”，卻並沒有選擇一個卡通賣萌形象充數，而是鼓起勇氣，用真人建模，再一次對“恐怖谷”發起了勇敢的衝擊。

日趨成熟的技術

這並非巧合——2018年，多家企業的同時起跑和開源解決方案的湧現，標誌著用技術模擬真人的簡單化、普及化進程已經拉開序幕。

在圖像技術方面，主機遊戲的機能和圖形引擎一同進化，可以在光照、皮膚、毛髮、布料等方面達到媲美真人的效果，而動作捕捉和實時渲染技術可以加速數字影像生成的進度。

而最為著名的開源方案Deepfakes更是以“換臉術”為人所知，Deepfakes在Reddit和PornHub等地引發了一場“狂歡”，直到被平台禁止之前，人們瘋狂地把女明星的臉“P ”到色情影片女主角的身上。

此後，Deepfakes進化為在任何PC機都能運行的FaceApp，借助它作為後期處理，有人做出了奧巴馬罵特朗普是“笨蛋”的一段視頻，這段錄像現實中並未發生過，完全是 “AI對口型”的產物。

在聲音技術方面，進步更快。 谷歌的“谷歌助手”、微軟的“小冰”都可以實時生成流暢的語音，跟真人“打電話”聊天，或者充當AI客服。 高德地圖的各種明星語音包已經投入商用三四年了。

而今年1月央視紀錄頻道播放的紀錄片《創新中國》，邀請科大訊飛對2013年去世的著名播音員李易聲音建模，完全使用合成的“李易原聲”為紀錄片做了配音。 訊飛在圓滿完成任務的同時，還藉此擁有了李易老師的聲音庫。

可以發現，圖像和聲音擬真技術的齊頭並進，都是沿著這樣一條確定的路線行進——先做出來，再一邊效果調優，一邊降低成本，提高效率。

本次搜狗在“AI主播”案例中演示的實時合成技術，以及前幾天獵豹移動旗下“獵戶星空”展示的超快速“真人語音包”建模技術，都同時說明了，在效果上暫時無法 取得決定性突破的同時，AI擬真技術在成本和效率方面進化神速，基本可以做到“實時生成”和“任何人都可以生成”。

雖然現在的主播仍然呈現動作僵硬，語音語調不協調等問題，但任何一個報導這件事情的國內外媒體其實都心知肚明，這是AI向真人進攻路上的一個里程碑或標誌性事件，但絕對 不是一場努力的終點，而在未來還將會以更快的速度進化。 現在這些小問題將會逐漸被攻克，直到屏幕上主播的表現和真人沒有什麼區別。

“AI主播”上崗的意義

全球媒體報導新華社率先上崗“AI主播”的時候，也有各種各樣的擔憂，但首先都給予了肯定。 最重要的一點是，官方媒體率先垂範採用這類仿真技術，有助於自上而下地對抗“假新聞”。

即使是上面所說的粗製濫造的假新聞視頻，對於一些信息閉塞地方的人來說，可能已經是足夠“說服”他們的。 不同人分辨信息真偽的能力是有區別的，有些人可能會始終分不清什麼才是真正的電視台播報，而因此影響他們的政治傾向，投票結果，或造成財物損失等等。

諸如為色情電影“換頭”這種對AI擬真的濫用也值得擔憂，這當然不是因為它們不符合對“真實”的追求，而是有可能會成為網絡暴力的起源，或者是分手後報復 性羞辱前任的手段，影響當事人的正常生活。

從這個角度上來說，像新華社這樣正規的官方媒體，先行一步採用機器人朗讀方式，就可以在突發事件傳播中占得先機，搶在“謠言”的前面到達社會公眾。

至於國外媒體的擔憂，主要集中於這一行為對傳統媒體的嚴肅性、公信力形象的“無形消解”。

牛津大學計算機科學教授伍爾德里奇（Michael Wooldridge）在接受英國廣播公司（BBC）採訪時提到，在很多時候，新聞播音員都是社會高度信賴的公眾形象。 “如果你看著一段動畫，你將完全失去和主播之間的這樣一種聯繫。”

在中國，《新聞聯播》的數位主播被譽為“國臉”，有說他們換髮型都需要組織批准。 在發達國家，主播不僅僅是照本宣科念稿子的人，他們會作為整個媒體公信力的一部分，一個典型的象徵而存在。 所以各大媒體的首席主播，往往是最賺錢的媒體人之一。

《南華早報》統計稱，在美國的主播薪酬排行榜上，CNN的安德森·庫珀（Anderson Cooper）以年薪1億美元排位第一，而美國廣播公司的戴安·索耶（Diane Sawyer） 以及福克斯新聞的主播肖恩·漢尼迪（Sean Hannity）以年薪8000萬美元並列其後。

上面提到的王牌主播，都是從地方台記者開始一路晉升的，而不是像中國這樣，擁有一個“播音主持”的專業學科，播音員、主持人和記者、編輯之間是區分的很開 的，前者幾乎沒有經過任何採訪方面的訓練。

欲戴皇冠，必承其重。 對國外主播們來說，他們不僅僅要對自己所宣讀的文本內容負責，而且還要在一些獨家的，原創性的採訪當中，展現自己作為一個記者的才華。 主播們如果有內容後來被驗證為錯誤，或者有不適當的言行舉止，都會受到嚴重的懲罰，斷送職業生涯。

這從美國全國廣播公司（NBC）兩位新聞主播的隕落上就可見一斑。 2015年，晚間黃金時間新聞節目長期培養的主持人布萊恩·威廉姆斯（Brian Williams）因為在一檔伊拉克戰爭隨軍採訪中誇大其詞，虛假描述了自己隨軍報導的角色，導致公信力喪失，被雪藏半年 之後降格來到MSNBC頻道的政論節目。

2017年11月美國興起#MeToo 運動期間，至少三位NBC女員工舉報早間節目《今日秀》主持人馬特·勞爾（Matt Lauer）性騷擾，勞爾“閃電”離開主播台，現在處於銷聲匿跡 的狀態。

有血有肉的、人格化的主持人對電視媒體的重要性， 由此可見一斑。 他們是媒體公信力的一個重要的組成部分——至少現在是這樣的。

部分國外媒體因此擔心，以假亂真的AI主播上崗後，可以“想讓他說什麼就說什麼”，而不用擔心有真人主播“鬧情緒”，不配合。 不過，如果他們在中國呆一段時間，應該就知道他們其實想多了。 中國的新聞播音員現在承擔的角色，跟隻字不差的AI還真差不了多少。

在中國，虛擬主播的存在，倒是的確可以幫助一些預算上不充裕的電視台，讓他們把“好鋼用在刀刃上”，通過更精簡的預算，實現一些原來在全國性大台才有條件實現 的項目——例如開設24小時不間斷的新聞台。

很長一段時間，全國范圍內只有中央電視台擁有一個24小時的新聞頻道，加上少數沿海省份能收看到香港的鳳凰衛視。 國內的幾家電視台也曾或多或少有過“新聞立台”的心思，但是很可惜都沒有堅持住。

上海是各地電視台中做新聞最成功的其中一家。 2016年7月，上海文廣推出“看看新聞”客戶端和配套的24小時新聞頻道KNews24，除央視之外，第二個建立起24小時不間斷的新聞頻道。 但是該頻道只能通過機頂盒和網站等OTT形式播放，不能上星及進入有線電視網絡。 受到資金和人員的限制，該台也只能在上下午新聞之間的空閒時段，採用實習播音員坐鎮口播新聞，其他時間段都是重播。

最近，KNews24頻道更是乾脆取消了在非東方衛視新聞時段以外的主播坐檯直播，改以重播節目《看東方》等當日已播出的新聞片段，以及短視頻剪輯等代替，不復當年24 小時新聞台的風采。

此外，奇虎360也曾在與北京廣播電視台合辦的“北京時間”網站，開設一個專門在網絡播出的新聞頻道，回放北京衛視和北京新聞頻道的一些節目，最近該頻道也下線了 。

所以我們完全可以想像，一旦新華社和搜狗推出的這一虛擬主播技術，推廣到全國一些省市甚至是地方台，他們就可以用非常低的成本，開一個服務器，就實現24小時不間斷的 播報本市及全國新聞的目的，為自己家的融媒體“中央廚房”再增添一道菜，也不費甚麼事。

我們很容易想到真正的播音主持專業學生和老師們，聽到“AI主播”的消息時，內心當然是拒絕的。 但他們可能多少都已經有了心理準備。 早在《創新中國》復原已逝的李易聲音時，播音圈裡已經有過討論。 樂觀者如丁龍江先生，他是中國傳媒大學播音主持藝術學院口語傳播系主任。 他說：

“《創新中國》模仿李易音色智能解說，雖走出可喜第一步，但仍處於句法關係層面的邏輯重音處理，距離播音學掌握的重音表現手法尚且差距很遠，更別說落實話語本質的 內在語。人在表達溝通上使用語音幽渺難知，估計得量子計算。我們等著那一天。”

但不到一年時間，新華社“AI主播”已經不需要人工修音，在自動實時生成的基礎上，效果也正變得越來越好，因此播音主持從業者也很難再保持平靜。 有一位老師的朋友圈寫道：

“今晚因為這個新聞，朋友圈的氣氛有點低，大家都有點擔心AI會取代主持人的崗位，有學生說要沒飯吃了，心裡慌慌的，也有人說AI不能做現場報導，不能 處理突發新聞。”

這位老師說：

“主持人行業近年來本身發展進入了瓶頸期，不可否認，AI播報員的出現會給這個行業帶來衝擊。畢竟，寫幾個代碼就可以超越你大學四年苦練得來的好口條 ，誰不恐慌？這就給播音主持的教學和人才培養敲響了警鐘。傳統的人才培養目標和教學，很快就不適應市場的需求了，得做好變天的準備，這個時間或短 或長，只要這個行業不那麼堅守陣地，也許明天，也許明年。”

確實，中國的播音主持培養體系，應該從此開始有一個根本性的變化，也向世界各國的實踐看齊，從前方記者中出人才。 我們播報新聞的人，也應該具有自己的“自由之精神”和“獨立之思想”，才能區別於一個“念稿子的機器”。 他們需要從現有的有快速反應能力的記者隊伍當中遴選出來，他們應該做一個現實生活當中的多面手，而不是只會以端正的坐姿完成任務。

興許，在技術的倒逼之下，中國的電視新聞事業，將有可能會比全世界其他任何一個地方，都更多、更快的迎來革命性的變化。