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)字人已從科幻走進現(xiàn)實。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”全國高校科技創(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金融股份有限公司(下稱“馬上消費”) 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”。在前期的預賽中，參賽團隊圍繞這三大賽題進行開發(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)鍵點位的空間坐標和形變）。有賽隊基于這些數(shù)據(jù)開展建模訓練，實現(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)）。有賽隊基于這些數(shù)據(jù)，根據(jù)輸入人臉提取的關(guān)鍵點信息與基準的人臉關(guān)鍵點計算差值，然后用差值加上額外計算參數(shù)輸入模型去預測人臉表情變化。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新聞得到的素材——新聞以及與之相關(guān)的訓練數(shù)據(jù)和測試數(shù)據(jù)。有賽隊基于其中的訓練數(shù)據(jù)，探索多種可行的預訓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、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，旨在以比賽促進數(shù)字人技術(shù)創(chuàng)新發(fā)展，探索讓數(shù)字人能真實還原真人表情、語言和動作的新方法、新路徑。

“參加本次比賽之前，我們團隊也在研究數(shù)字人，但往往更偏重理論，實用性不大。而本次比賽和我們平時的研究有一定的相關(guān)性，有利于我們將所學理論知識與實踐相結(jié)合，提高團隊開發(fā)數(shù)字人的技術(shù)水平。”參賽隊代表USTC-Qingbo賽隊隊長李弘毅說。

圖說：“天馬杯”大賽海報資料圖。馬上消費提供