数字人

出自 MBA智库百科(https://wiki.mbalib.com/)

数字人（Digital human,Meta human）

　　数字人指存在于非物理世界中，由计算机手段创造及使用，并具有多重人类特征（外貌特征、人类表演能力、交互能力等）的综合产物。虚拟数字人可按人格象征和图形维度划分，亦可根据人物图形维度划分。人物形象、语音生成模块、动画生成模块、音视频合成显示模块、交互模块构成虚拟数字人通用系统框架。

　　数字人是基于CG（Computer Graphics，计算机图形）技术与人工智能技术打造出的数字化虚拟人物。就交互能力而言，数字人包括交互型与非交互型两类，其中交互型数字人在真人驱动或智能系统驱动下，具备类人动作及感知能力，可实现与真实世界的交互。就应用场景区分，数字人又可被划分为身份型与服务型两类，前者囊括虚拟化身及虚拟IP/偶像，是真实世界人物向虚拟世界“进阶”的产物，“人设”属性较为明显，而后者主要为企业端或个人端用户提供办公、陪伴等拟人化服务，实现部分人力资源的替代。

　　1982 年世界第一位虚拟歌姬林明美诞生，虚拟数字人行业经历了萌芽、探索、初级和成长四个阶段。随技术逐年突破，制作过程亦得到有效简化，从最早的手工绘制到现在的 CG、人工智能合成。在虚拟数字人产业链中，基础层提供软硬件的支撑；平台层为制作及开发提供技术；应用层为应用领域提供解决方案，赋能各领域发展。虚拟数字人产业进入门槛高，差异化显著，受众群体不断拓展，因而虚拟数字人价值凸显，应用领域不断拓展。

　　数字虚拟人是指具有数字化外形的虚拟人物，通常是为特定内容的对话而训练的人工智能角色，具有一定的形象能力、感知能力、表达能力和娱乐互动能力。与具备实体的机器人不同虚拟数字人依赖显示设备存在，并且拥有人的相貌、人的行为以及人的思想。在包括人物形象生成、语音生成、动画生成、音视频合成以及交互技术等五大模块的通用系统框架内，目前虚拟数字人主要分为非交互性虚拟数字人与交互性虚拟数字人，其中交互性虚拟数字人又分为真人驱动型与智能驱动型。

　　虚拟数字人极有可能成为用户与虚拟世界连接交的第一入口，通过与虚拟数字人的交互进行虚拟生产和劳动，最终形成虚拟世界的社会关系和结构。从技术上来看，目前虚拟数字人主要包括真人驱动型和计算驱动型。真人驱动型虚拟数字人是基于IP设计或真人偶像绘制原画，在进行面部及身体3D建模后，动作捕捉设备或摄像头将基于真人的动作/表情等驱动虚拟数字人，在灵活度、互动效果方面有显著优势。计算驱动型虚拟数字人的语言表达、面部表情、肢体动作等主要是通过深度学习模型进行实时或离线驱动，在染后实现最终效果。

　　“虚拟数字人”一词最早源于 1989 年美国国立医学图书馆发起的“可视人计划”(Visible Human Project, YHP)。2001年, 国内以“中国数字化虚拟人体的科技问题”为主题的香山科学会议第 174 次学术讨论会提出了“数字化虚拟人体”的概念。

　　这些“虚拟数字人”主要是指人体结构的可视化，以三维形式显示人体解剖结构的大小、形状、位置及器官间的相互空间关系，即利用人体信息，实现人体解剖结构的数字化。主要应用于医疗领域的人体解剖教学、临床诊疗等。

　　与上述医疗领域的数字化人体不同，本篇中所分析的虚拟数字人（以下简称“数字人”）是指具有数字化外形的虚拟人物。与具备实体的机器人不同，虚拟数字人依赖显示设备存在。虚拟数字人宜具备以下三方面特征：

　　一是拥有人的外观，具有特定的相貌、性别和性格等人物特征；

　　二是拥有人的行为，具有用语言、面部表情和肢体动作表达的能力；

　　三是拥有人的思想，具有识别外界环境、并能与人交流互动的能力。

　　20世纪80年代，人们开始尝试将虚拟人物引入到现实世界中，虚拟数字人步入萌芽阶段。该时期虚拟数字人的制作技术以手工绘制为主，应用极为有限。1982年，日本动画《超时空要塞》播出后，制作方将女主角林明美包装成演唱动画插曲的歌手，并制作了音乐专辑，该专辑成功打入当时日本知名的音乐排行榜 Oricon，林明美也成为了世界上第一位虚拟歌姬。

　　1984年，英国人 George Stone 创作出一个名为Max Headroom 的虚拟人物，MAX 拥有人类的样貌和表情动作，身穿西装，佩戴墨镜，曾参演了一部电影，拍摄了数支广告，一度成为英国家喻户晓的虚拟演员。由于技术的限制，其虚拟形象是由真人演员通过特效化妆和手绘实现。

　　21世纪初，传统手绘逐渐被 CG、动作捕捉等技术取代，虚拟数字人步入探索阶段。该阶段的虚拟数字人开始达到实用水平，但造价不菲，主要出现在影视娱乐行业，如数字替身、虚拟偶像等。电影制作中的数字替身一般利用动作捕捉技术，真人演员穿着动作捕捉服装，脸上点上表情捕捉点，通过摄像机、动作捕捉设备将真人演员的动作、表情采集处理，经计算机处理后赋予给虚拟角色。

　　2001年，《指环王》中的角色咕噜就是由 CG 技术和动作捕捉技术产生，这些技术后续还在《加勒比海盗》、《猩球崛起》等电影制作中使用。2007年，日本制作了第一个被广泛认可的虚拟数字人“初音未来”，初音未来是二次元风格的少女偶像，早期的人物形象 主 要 利 用 CG 技 术合成 ， 人物声音采用雅马哈的VOCALOID系列语音合成，呈现形式还相对粗糙。

　　近五年，得益于深度学习算法的突破，数字人的制作过程得到有效简化，虚拟数字人开始步入正轨，进入初级阶段。该时期人工智能成为虚拟数字人不可分割的工具，智能驱动的数字人开始崭露头角。

　　2018年，新华社与搜狗联合发布的“AI合成主播”，可在用户输入新闻文本后，在屏幕展现虚拟数字人形象并进行新闻播报，且唇形动作能与播报声音实时同步。

　　2019年，浦发银行和百度共同发布的数字员工“小浦”，也是利用自然语言处理、语音识别、计算机视觉等人工智能技术制作的虚拟数字人，可通过移动设备为用户提供“面对面”的银行业务服务。

　　当前，虚拟数字人正朝着智能化、便捷化、精细化、多样化发展，步入成长期。2019年，美国影视特效公司数字王国软件研发部负责人 Doug Roble 在 TED 演讲时展示了自己的虚拟数字人“DigiDoug”，可在照片写实级逼真程度的前提下，进行实时的表情动作捕捉及展现。今年，三星旗下的STAR Labs在CES国际消费电子展上展出了其虚拟数字人项目 NEON，NEON 是一种由人工智能所驱动的虚拟人物，拥有近似真人的形象及逼真的表情动作，具备表达情感和沟通交流的能力。

　　虚拟数字人系统一般情况下由人物形象、语音生成、动画生成、音视频合成显示、交互等5个模块构成。

　　交互模块为扩展项，根据其有无，可将数字人分为交互型数字人和非交互型数字人。

　　首先看一下非交互型数字人：系统依据目标文本生成对应的人物语音及动画，并合成音视频呈现给用户。

　　交互型数字人根据驱动方式的不同可分为智能驱动型和真人驱动型。

　　智能驱动型数字人：通过智能系统自动读取并解析识别外界输入信息，根据解析结果决策数字人后续的输出文本，驱动人物模型生成相应的语音与动作来使数字人跟用户互动。

　　这种人物模型是预先通过AI技术训练得到，可通过文本驱动生成语音和对应动画，业内将此模型称为TTSA(Text To Speech & Animation)人物模型。

　　真人驱动型数字人：真人根据视频监控系统传来的用户视频，与用户实时语音，同时通过动作捕捉采集系统将真人的表情、动作呈现在虚拟数字人形象上，从而与用户进行交互。

　　数字人产业图谱由基础层、平台层及应用层构成。

　　1）基础层：基础层为数字人的制作提供必要的基础软硬件支撑，硬件包括芯片、传感器、光学器件及显示设备等，软件包括建模软件及渲染引擎。其中，显示设备是数字世界与真实世界的桥梁，也是数字人在真实世界的呈现载体，既包括电视、手机、投影等2D屏幕，又涵盖裸眼立体VR/AR等3D硬件设备。

　　2）平台层：平台层包含建模、动作捕捉及渲染等硬件系统、解决方案平台及AI能力平台三大类，主要为数字人的开发制作提供相应的技术能力。建模系统和动作捕捉系统通过基础层的传感器、光学器件等硬件获取真实世界及人物的数据信息，基于软件算法实现对数字人的建模及动作捕捉，最终经由渲染系统进行数字人云端渲染；解决方案平台主要提供整体的数字人解决方案；AI能力平台基于自身人工智能技术，赋予数字人进行智能感知与交互的能力。

　　3）应用层：应用层是数字人与各场景结合形成的行业应用解决方案。在政策与技术双轮驱动下，数字人应用场景持续得到拓展与深化。目前，文娱及服务为数字人应用渗透率较高的两大领域，虚拟偶像、电商主播、数字员工等多元类型数字人在各领域释放其应用价值。