“大家好，我是小妮，诞生于京东数字科技集团AI实验室。用你们人类的话说，我是AI主播。没错，来自虚拟世界的我喊你上课啦！”字正腔圆、细腻逼真的AI主播近日亮相于京东数科产业AI公开课，这也是京东数科自主研发的AI虚拟数字人产品在公众面前的首次亮相。

　　为了研发出写实逼真的AI虚拟数字人，京东数科AI实验室在文字转语音、3D人脸建模、语音转视频等方面进行了一系列技术创新。仅需使用一段几分钟的人物视频数据，经过几小时训练就可以合成出写实风格的AI虚拟数字人。

　　例如在顺利实现文字到语音的转化方面，我们自研了轻量级对抗语音合成技术。通过结合深度神经网络在多人数据上进行个性化建模，达到音色丰富、特色鲜明的语音合成效果，甚至可以模拟人的呼吸和停顿，听感酷似真人。高效轻量的对抗神经网络大幅提升了合成速度，合成1秒音频只需0.07秒，合成时延仅为业界水平的1/3，充分支持多场景实时语音合成。

　　在语音生成视频的阶段， 为了使AI主播形象更加逼真，京东数科AI实验室利用对抗生成网络来还原更真实的表情，通过3D模型运动追踪技术来确保AI主播在说话时口型准确、表情细腻、头部运动自然。一般来说，2D类的模型往往能生成更细腻的画质，而3D方向的模型操控能力更佳。技术人员打通了这种模式上的壁垒，在2D和3D模型之上各取所长，将最新的深度学习技术与传统的优化技术和特征提取技术相结合，使语音、图像、视频这些模态间的语义打通成为可能。从实际效果来看，AI虚拟数字人能够模仿不同人的说话习惯，学到如何用点头、眨眼这些细微动作对发言中的重要内容加以强调。为了在口型匹配方面达到完美效果，京东数科AI实验室利用大量语音数据，并特意设计了鲁棒的语音特征，使其可以被不同音色、语言和语速的合成语音所驱动，且都能保持准确、连贯的口型。

　　最终，我们开发出了高度还原真人形象的AI虚拟数字人，在AI算法的驱动下，只需输入文本内容，“小妮”就能根据语义实时进行主持，且表情、动作和语音表达非常自然逼真。