【猎云网（微信：ilieyun
）北京】5月29日报道（文/吕梦）
在2019年的贵阳数博会上，搜狗AI合成主播获得了“领先科技成果”奖。搜狗公司AI交互技术中心总经理王砚峰在介绍本次获奖案例“AI合成主播”时谈到，“在搜狗看来，未来的语音交互不只局限于冰冷冷的声音层面，而是通过与图像等形式的结合，让声音与具体形象关联，使人机交互更具质感，带给更好的感知体验”。
人工智能领域，搜狗近年来一直在做语音方面的交互。2016年，搜狗CEO王小川就曾在公开场合提及搜狗人工智能未来的两大方向——自然交互和知识计算。他认为，人类对人工智能的终极描绘，始终是和人一样进行自然的语言交流，这也是搜狗人工智能的发展目标。
2012年，搜狗着手研发智能语音技术，并于同年推出搜狗语音助手；
2016年8月，发布语音交互引擎“知音”，宣称不仅“能听会说”还具有“理解思考”的能力；
2017年7月，搜狗全语音人车交互的车载服务产品“智能副驾”导航系统面市；同年8月，再次推出语音转文字的速记工具“搜狗听写”。
2018年，搜狗先后发布了“旅行翻译宝”和“录音翻译笔”两款硬件产品。
王砚峰接受猎云网等媒体采访（猎云网拍摄）
会后，猎云网（微信：ilieyun）等媒体采访了王砚峰，并跟他聊了聊此次由搜狗分身技术打造的AI合成主播的产品应用、布局，以及搜狗语音交互技术产品落地的逻辑和观点。
近几年，智能音箱成为AI语音技术落地的主要载体，除了BAT，小米、京东，以及相关创业公司都投入到这场智能硬件的争夺战当中。作为一家专注于AI语音交互的科技公司，搜狗并未入局音箱市场，而是选择了翻译机和录音笔。
对此，王砚峰表示，当前的智能音箱竞争市场“不能用正常的产品逻辑去看待”。
他认为，一件产品的问世首先要考虑到其带给用户的价值，而智能硬件产品应该通过软、硬件研发能力的投入来赋予产品应有的价值，与此同时，客户也愿意通过合理的价格为产品买单，如此才能维护企业对于新产品的持续创新和研发。而巨头之间以“补贴”来刺激消费、争夺市场的行为则违背了智能硬件产品发展应有的良性循环。
在王砚峰看来，虽然智能音箱的市场更大众化，但今天的智能音箱还无法在人们生活当中解决太多实际的问题，应用场景非常有限，而“翻译宝”和“录音笔”市场则是基于已有的市场通过技术创新实现学习、工作方式的智能升级。
据王砚峰介绍，目前，搜狗整体人工智能布局主要是围绕语言的两种载体展开，即语音和图像。
其中，“AI合成主播”主要来自语音合成引擎和图像生成引擎量大核心技术的支撑——通过提取真人主播新闻报道视频中的声音、唇形、表情动作等特征，运用语音、唇形、表情合成以及深度学习等技术联合建模训练而成。
这款产品的首次亮相是中2018年11月7日第五届世界互联网大会上，搜狗与新华社联合发布了与真人主播拥有同样播报能力的AI合成主播。
据悉，AI合成主播只需要输入文字或语音文本，就可以实时输出音频合成效果。相比真人主播，“AI合成主播”不仅能够做到播报不NG，还可以24小时进行工作，同时还能掌握多国语言，大大提升媒体的播报效率、降低成本。
此外，通过视频形象的辅助，语音输出更加形象和生动，王砚峰表示，这也是搜狗在人机交互界面上对于新模式的探索。
2018年，在“BlizzardChallenge2018”语音合成大赛上，搜狗在“可懂度”和“语音停顿”两项任务中拿下了排名第一的成绩。今年上半年，AI合成主播实现了两次版本的迭代，将过去“坐着播报”升级成具有肢体动作的“站立播报”。同时，上线了全球首个AI合成女主播“新小萌”。
与此同时，AI合成主播的定制周期也大幅缩短，目前可以做到一个形象大约两周定制开发时间。
今年5月，搜狗与阿布扎比媒体集团达成合作，双方还将联合推出全球首个阿拉伯语的AI合成主播。
王小川曾在接受媒体采访时提到，搜狗有两个核心理念，“一个理念就是让机器人能够成为你的分身，一个是让机器成为你的助理”。
若以这个逻辑来看，搜狗搜索问答面向的是“助理”岗位，而AI合成主播则主要聚集于“分身”应用。
对于AI合成主播来说，除了声音，神态、嘴形等面部表情稍有不自然的地方就会被识破，为了让AI合成主播表现更自然，并且避免“恐怖谷”效应，王砚峰告诉猎云网，团队还将考虑中图像上引入2D+3D混合的技术，并且将更多的NLP能力融入进来，加强AI合成主播的“认知”能力，尽量做到发音与唇形同步，表情看起来更加自然。
王砚峰提到，基于搜狗分身技术的AI合成主播已经在新华社平台上，零失误地播报了几千条新闻，这只是搜狗分身技术的一个应用分支。除了媒体领域，搜狗分身技术还将在教育、法律、医疗、娱乐等领域陆续落地。
