00:00/00:00
外链地址
http://www.eemp3.com/audiofile/fad0bec97c3762eada67f5f5ae716770.mp3
点击复制
用声音碰撞世界，
生动活泼hello，
大家好，
我是丁，
欢迎收听全新一季哈，
大家好，
欢迎来到我们今天的科技早知道，
那说到今年逆势增长的科技趋势头最猛的就属AIGC了。
AIGC的全称是AIgenerateatorcontent,
翻译过来就是人工智能内容生成。
那我们今天的节目分为上下两个部分，
我们分别邀请到了起源世界的联合创始人兼CTO龙海涛和科大讯飞AI研究院的副院长高建清两位来聊AIG的话题，
他们在这波AIG热潮出来之前就已经在这个领域耕耘多年了，
所以今天请他们来聊一聊这个领域的商业化和产品落地，
以及怎么平衡技术开发、
创新和商业化那并且展望了未来的发展方向，
希望这期节目能给大家在AIGC领域带来一些新的认知。
好了。
下面就是我们今天的节目，
哈喽龙总您好，
你好，
诶你好大嗯，
我知道您一直是在AI这个领域，
您大概帮我们介绍一下您的背景吧，
我是13年到17年是在阿里，
主要负责就是阿里的搜索广告系统的架构设计，
也是主导了，
就是新一代的这种离线系统啊，
在线引擎啊，
商业化的这种业务系统的这个架构设计，
当时高峰的时候接近可能就是阿里的一半的收入都是跑在这个系统上面，
16年双十一之后啊，
我们又成立了一个叫认知计算实验室的，
当时也是看到就是阿尔法狗横空出世以后啊。
就是击败李世石嘛，
然后当时对我们这些做这种传统机器学习的啊同学，
是一个很大的一个技术上的一个冲击啊，
就是第一次看到就是说呃，
可以有一个系统能够从零开始，
然后通过自我的这种学习，
然后去达到一个人类的一个水平啊，
甚至超过人类的一个水平，
所以那之后呢，
我们就成立了一个认知计算实验室。
啊，
当时就选择用星际争霸这个游戏来去研究这种呃，
复杂环境下的这种动态决策的问题，
当时也是，
呃，
可能是世界上第一篇就是用深度强化学习，
在这个星际这么复杂的环境里面解决，
当时是微操的这样的一个场景。
啊，
当时也是发了一个paper，
我们当时叫bigle，
然后一七年之后呢，
就是我们就呃从阿里出来创业吧，
啊，
然后成立在全世界，
目前在起源世界，
我是担任CTO，
然后主要负责是平台和产品相关的工作。
一开始大家可能对起源的这个认知是在这个游戏的AIG的领域，
但是好像经过这几年的一些商业化的摸索，
其实现在起源也是扩展到了非常多的一些AIG的其他的领域是吗？
当时其实呃最早的时候是发paper，
是在这个游戏环境，
当时选择游戏环境来做这个，
其实我们公司的目标是做A，
就是通用人工智能，
那其实通用人工智能它经历了呃有几个几个阶段嘛，
从最早其实像曼的，
他们都是在像阿尔法狗阿star啊，
然后dota。
这样的游戏里面去做这种实验啊，
AI的决策能力，
这其实是第一个阶段，
我们叫AI决策，
然后从GP开始的话，
就是往这个I生成，
这其实都是在拼这个AJ的一个拼图啊，
就AI生成这块，
就是现在我们今天讨论的AIGC这块啊，
文本生成啊，
图像生成，
那我们看到我们自己是有一个一个路径图的，
那AJ其实后面还有一块拼图，
是我们叫AI推理。
你发现就是说从AI决策，
AI生成，
AI推理，
那这样的话可以拼出一个呃，
AG的这样的一个拼图，
那目前我们现在是在这个AIGC的这个AI生成的这个阶段，
那其实我们最早的时候一七年的时候是是在做AI决策这块事情比较多一些，
当时我们也是选择像信息争霸这样的一个环境来去做我们的实验，
那自然而然就是我们从游戏里面来，
然后去应用到游戏面去做商业化，
其实也是比较自然的一个一个路径。
所以我们基于前面做的这些AI角色和AI生成的这些能力的话，
那目前是在游戏行业里面是提供了一些这个解决方案，
比如说这个虚拟玩家，
就是说在一些游戏里面去填充一些生态，
然后去呃做一些这种心理的控制，
就用一些高度智能，
高度理人的这样的一些机器人在里面，
就是说去做这种托管啊，
温暖局啊，
去提升整个的游戏这种体验和留存，
所以我们说的NPC未来可能就不是代表了这个意思了啊NPC对，
还有NPC就是虚拟角色这块，
然后这块的话，
主要就是说那个像一些呃语言的对话呀，
然后他的一些剧情的发展推动啊，
他的一些自主行为啊，
包括模拟出来一个小的这种小社会一样啊，
那这些NPC能够在里面就像一样，
在那个那个自由城里面，
他自己是有自己的这种生活线，
有自己的目标，
对有自己的性格，
那这个是，
呃，
展望将来就虚拟世界的话，
应该是会是一个这。
这种数字原住民的这种概念的一个存在，
这块也是我们呃重点在做的一块内容，
然后第三块可能就是我们叫AIGC的这种设计师吧，
啊设计师的话就设计一些像这个关卡的这种生成呢，
数值的生成呢，
包括一些美术资产生成呢，
整个游戏行业里面非常需要的这样的一个一个，
因为游戏它是一个高度的内容的一个重度的这样的一个产业，
其实你发现一个游戏它开发个两年，
三年，
五年都是一个很常态的事情，
其实大部分的时间都是在做内容啊，
像一些3D的资产啊，
场景啊，
角色啊等等，
那现在为什么就是说像AGC在呃游戏行业里面能够呃引起这么大的一个震动吧，
就是包括生成一些图片，
那其实也是想就是说这个东西可能是会对游戏产业有一个很大的一个一个推动啊，
如果说能够把这些现在还是在2D嘛，
如果将来3D资产也能够生成的话，
那会从原来可能5年时间变成缩短它一年。
才时间，
那这个可以想象整个对行业的这样的一个颠覆式的一个生产效率，
对，
所以这个就是我们在呃游戏行业里面的一些商业化落地和技术的积累的一些方向吧，
那除此之外，
其实我们在像数字人行业也是有一些尝试和商业化的落地的一个一个情况，
因为之前大多数的做数字人的都是一些就是会会注重阿瓦塔他的皮的这一块的东西，
就他的形象啊，
姿态啊等等这样的，
但其实他后面大多数都是像中职人呢，
或者是一些固定的文本在驱动的，
那现在我们是希望利用AIGC的能力，
在数字人里面的话，
去取代这些真人，
或者部分取代这些真人，
然后用AI的方式去驱动，
那这里面就包括像这种表情的这种呃驱动，
然后他的口型啊，
他的一些肢体动作啊。
然后包括对话系统啊，
那这块的话，
我们就希望就是说能够有一个7×24小时都可以在，
呃，
用AI来驱动的这样的一些一些形象，
因为我们其实在节目当中之前聊过一些海外的，
像是GPTthree,
然后包括DA最近其实都是蛮的，
但他其实只是这个一部分，
其实游戏里讲到了，
其实设计的是非常广泛的，
可能这个游戏里面的虚拟人，
这个虚拟玩家，
他的这个生成的这个对话，
那就是一个文本的生成，
对吧？
然后那可能我们现在看的像是更多的这些这个图片的生成，
那可能刚你讲的其实在设计这一块，
其实已经是2D的这样的AI的生成已经在使用了，
是吗？
所以可能游戏是其实是集各种技术大成的这样的一个应用的场景。
对，
游戏的话，
包括数字，
那我们跟一般的AGC的一些方向可能还不太一样，
它区别主要是在两点啊，
第一点就是说大多数的AG目前呢，
它都是一个单博的这样的一个一个方向，
比如说我就专注在文本，
对吧，
比如说perAI国外的一公司啊，
那它就是帮助这些创作者去辅助生成一些文案，
包括像营销文案，
广告文案这样的，
那有些是纹身图的这样的一些公司，
对吧，
它就是生成一些图片，
像sta啊这样一些公司，
那其实我们是呃，
偏向多模态的，
刚才讲的文本啊，
语音啊，
表情啊，
肢体动作呀，
行为决策啊等等，
那这些东西集成到一个我们叫啊AI的这样的一个新物种了，
背后的话是通过这个A或者AIGC的这样的技术来去驱动的，
它表现出来是一个多模态的这样的一个高级的一个形态，
第二点就是我们会偏那个实时互动一些，
就是不是那种偏静态的辅助创作的这样的一个形态。
那时互动它会，
呃，
像游戏啊，
虚拟世界啊，
数字人，
他其实都是偏这种实时交互的，
那这块要求会更高一些，
不管从工程上还是从算法上来讲，
我们也是觉得这样的一个形态，
它会是将来市场空间最大的一个一赛道，
因为我们可能是期待未来是webthree的这样的一个更多虚拟的这个场景的发生吗？
还是对，
就我们期望的未来的一个场景可能是越来越这种，
呃，
3D化曾经是场景化，
对吧，
那里面是有这样的一些虚拟角色，
然后在虚拟世界里面，
那这个世界是足够的大，
内容足够丰富，
然后里面的这些虚角色才足够智能，
足够的拟人啊，
那这里面都需要像AI的一些强大的能力来去生产内容，
然后去提供很沉浸式的这种体验，
那这块都会用到这个AI的这些技术，
像海外您您有没有看到像是这种多模态的AI，
他们的这个落地和他们现在商业化情况是怎么样的，
在国外就是有一些那个创业公司在做这块的。
比如像呃，
有一家公司叫inword啊，
InwordAI,
那这家公司的话，
目前是他们应该是从Google的一个团队出来的，
他们做的事情会跟我们有一些像吧，
他是做了一个AI的角色生成的这样一个平台，
它可以提供一些工具吧，
然后跟像这个epicandreal引擎啊，
Unity引擎能够集成，
然后允许这个的这种专业人员或者是user，
他可以在上面创建这种AI的虚拟角色，
然后呢，
可以定义他的一些人设，
他的性格，
然后他的情绪状态，
形象，
然后就可以放到一个呃心拟场景里面，
然后你就可以跟他用这种超自然的对话啊，
然后他在里面就是可以跟你比较自然的去应答，
这块的话，
我们前看他们也是在游戏啊，
这种社交元宇宙啊，
还有像迪斯尼啊这样一些公司合作。
然后整体来看，
就这块还是会是在商业化的一个早期的一个情况，
对，
因为它应该是AGC里面最复杂，
然后呃技术实现方面也会最有挑战的一个一个方向吧，
对对，
因为您刚刚讲的其实单模态我们看的最近其实蛮多的，
就特别是在融资市场上是特别火热的，
像刚刚讲的像jasper他也是刚拿了好像超过1亿美元啊，
我看到好像应该是这两天的信息是notion这种这个文本的这样工具的，
他们也开始在做自己的AI了，
然后可能帮你建议一些这个呃搜索结果啊，
帮你建议一些这个这个标题啊，
建议一些这个你编辑的这些内容，
可能下一步大家才是不是像是grama里这种可能帮助你写作的工具，
他们也会这个AI化，
所以单模态的感觉，
好像最近的他的商业化会更加这个起来了一些，
对，
然后之前是这个，
我不知道您其实从2017年到现在，
其实已经过了蛮长一段时间了，
在整个这个AIGC的商业化这一块是怎么样的一个变动，
或者是一个变迁吧，
您看到的。
对，
确实是这样的，
就是单博泰的文本啊，
图像啊，
视频啊，
这块会做的比较靠前，
因为它是一个存量市场的一个一个颠覆或者一个升级，
所以它的市场其实不用去验证，
就他以前也需要写作对吧，
也需要这种图片这些内容，
只不过说我们现在用AIGC的手段，
能够像十倍速或者百倍速的这个效率去提升的，
那他显然就是非踌快的就可以起来，
所以这个也是在呃，
通过这些创业公司的它的一些商业化的一些数据吧，
也可以看到对吧。
像国外的一些这种比较成功的SAS公司，
它其实每年都是有大几千万的这种收入的，
就是起来的非常快，
那像A这个市场就是多么T这块的话，
其实它是一个一些新的需求的一个创造，
所以这块的话，
它的商业化的进程，
或者说它会比较远一些，
目前还是比较早期的一个状态，
对，
但是他的社空间肯定是将来是更大的一个情况，
感觉好像像刚刚讲的，
像单模泰这种大公司，
好像也是比较担心自己的这个生意会不会被这个创业公司抢走了，
然后不管是Google还是这个Microsoft，
其实都在往这个方面在投资合作这样的产品，
就感觉是人油，
我也一定要有，
要不然就可能在落后整个市场了，
就大家可能是这样的一种焦虑，
呃，
大公司肯定也会去做嘛，
就像Adobe啊，
或者是那个微软对吧，
那微软本身他也是投资的I。
那最近他们应该也是发布了一个一个工具吧，
对，
也是基于大利益的技术模型在上面做这种应用，
但现在这种垂类的这种萨斯公司应该市场也足够大，
然后他如如果说在一个垂类能够把这块技术结合场景，
能够把体验做到呃非常极致的话，
其实它也是有它的生存的空间的。
那另外一点，
其实为什么说单特它会呃起来比较快呢？
其实也是跟技术的一个发展成熟度是有关系的。
那其实现在的呃，
像AIGC的这种技术的话，
它是比较适合线下的这种生产啊，
因为它现在就刚刚讲了嘛，
就是A，
它是AI决策，
AI生成，
AI和这个推理，
其实现在AI还缺失推理这块的能力，
所以现在的AIGC的内容，
它其实是不是那么可控的，
举个例子，
它有点像玩老虎机一样，
就是说我生成10次可能有5次，
呃挺好的，
然后有一次特别经验，
然后可能还有两三次是种badcase的这种，
那这个就是说这样的一个技术成熟度呢，
它是比较适合做成这种，
呃，
线下的这种生成，
包括像这种一起编程。
啊，
像GI他们做那个Copilot就是一起编程这种，
那我其实线下我我去，
呃，
只要14里面我有一次是比较好的，
那他其实就已经是非常好的一个结果了，
比他之前人工去做的话，
那如果说我们要用在线上实时的话，
那他要求就非常非常高了，
那你可能要做到。
90%以上，
或者95%，
他要都是非常好的一个质量，
那才有可能就是说一个大规模的商业化的一个应用，
因为你很难想象说我跟一个NPC，
或者跟成数字人，
你跟他聊天，
50%，
70%还都是一些奇奇怪怪东西，
奇怪的东西的话，
那你可能就聊个聊个几轮就不想再聊了，
对吧，
那当然现在可以结合一些工程的手段，
然后包括整个AI的GC的这个质量，
确实也是在飞速的一个提升的过程吧，
像当时这个起源一开始就走游戏的AI是复杂对，
为什考，
这可能跟我们公司使命和愿景，
还有这个激情吧，
有一些关系。
对，
我们是20年6月份，
然后在那个北京那个大饭店，
然后举办了一个星际的一个比赛，
当时是邀请了2位，
就是。
职业的冠军选手，
然后来去检验我们在星际里面的AI的一个一个水平嘛，
打了4场，
然后4场都是AI取得胜利，
那现在像这个阿里的这种三国志战略版，
类似的外国觉醒，
像这样一些大游戏，
其实都是我们的合作的一个合作伙伴，
这种大的这种就策略类游戏，
那他每次要推出一个新的武将，
新的英雄的时候，
他是会去策划，
去看这个英雄出来以后，
会对我现有的这个阵容会有一个什么样的影响，
他会有自己的一个预期啊，
那以前的话，
他会通过一些传统的做法去做，
从它的设计到验证，
可能需要一个月甚至两个月的时间才能看到新的武将，
那他对这个数据体系的一个影响到底是怎么样的，
那现在通过我们的系统做完以后的话，
可以把这个时间缩短到2到五天，
快的话就两天就可以把这套数值能够设计的更加的平衡。
包括像虚拟角色战棋类的游戏，
每个这个玩家他要带五支队伍，
然后这个队伍里面他又要从上百个武将里面去挑选组成，
然后每个武将又有好几个这种战法啊，
组合起来是一个可能10~24方的这样的一个大的这样缩尾空间，
那传统做法它是用这种行为数去去控制，
其实非常非常复杂，
然后很容易出这种问题，
那现在其实用我们的新的这种AI的方法去做了以后的话，
现在目前可以达到就是自身的这种策划的水平，
就人类的这种水平。
并且是可以很快的适应各种各样的地图，
那么地图它有上百张可以看到，
就是用AIG的方式能够去大幅的提升这种生产的效率，
其实在我们的客户里面的话，
他其实把已经把呃，
原来所有的这个行为数的全部换成AI了，
其实行为数之前也都是一种算法是吗？
但只不过是现在可能AI的算法更优一些，
行为术其实它是一个一种专家系统，
它是通过写这种规则编程，
那他其实下线会比较比较高一些，
因为它是通过人去写的嘛，
那有一个保证，
但是它上线就会比较低，
那取决于说这个工程师的呃编码能力，
然后以及他的领域知识，
对吧，
像阿尔法O下棋的话，
它就是完全另外一套，
就是通过构建一环境，
然后他自己学习，
从数据里面学习，
从经验里面学习，
那他下线可能比较低，
如果说你算法做的不好，
那他趋于随机对吧，
那它但是它上线会比较高，
你只要对机器，
然后这个为他更多数据，
它的质疑水平就会指数的提升。
就比如说以一个像是刚才您讲的两个案例，
他们在这个训练整个这样AI的过程，
它的这个时间会更长吗？
还是其实它是有一个就是就像SAS软件一样，
然后他其实很快的能够被企业所应用，
它的这个开发的周期会是很长嘛，
其实数值设计啊，
包括就是AI设计师这一块的话，
其实是比较快的，
那我们前面第一个案例是做的会呃，
稍微长一点时间，
大概花了三四个月，
但是在第二个案例的时候，
就我们做完三个战略版，
然后再迁移到这个万国觉醒的时候，
其实只花了一个月的时间就可以应用到线上，
然后虚拟玩家，
虚拟角色的话就会，
呃，
周期会长一些，
因为它涉及到一些就是对接啊，
然后呃，
游戏环境的改造这块时间是会花的多一些，
训练的话主要也是看场景，
如果像这种3D的射击类的游戏些。
啊，
这个就会，
呃，
训练的时间会长一些，
因为它是非常非常复杂的一个一个场景，
它的大地图，
几公里乘几公里的这样大地图，
然后两三个月的时间，
这样才能做到一个比较好的一个水平，
在过去的这几年的创业当中，
您是觉得可能商业化的困难更大一点，
还是可能在技术研发的上面会更困难一些，
还是这两个其实是并行的，
其实都是比较有挑战的，
就我们所在的这个领域的话是。
本身他技术也是在不断的在突破一些瓶颈，
从最早能够自主学习，
自主决策，
然后到能够自己生成，
自己能理解，
对吧，
那到后面可能可以自己推理等等，
那其实这个整个的技术的话，
也是在一个重重的这种挑战吧，
对，
然后商业化呢，
其实我们坚持这5年时间呢，
其实我们是有自己的一套这个方法论的，
就是说技术和商业我们是要。
集头并进，
然后呢，
技术成熟到一定程度，
我们就解锁相应的一些场景，
所以我们从一开始一七年的时候，
我们是专注在决策这块的技术，
那对应的一些场景就是一些工业仿真啊，
数字仿真啊，
这样智能决策的一些产业端的一些商业化落地，
那再往后的话，
我们AI生成这块，
AIGC的能力上来以后，
我们又在游戏啊，
在数字人这块去解锁，
以终为始，
来这样倒推，
然后研发的目标是这样的，
对对，
就是每一步就是我的技术成熟度跟我的商业化是要能够匹配的，
我们我们并不是说我们纯粹就去，
呃推动A的边界啊，
然后去做这种底层的科学研究，
对吧，
也不是说那种，
就是说我直接拿别人的API，
拿别人模型过来，
然后我只做锤炼的这种商业化还是蛮这个实打实的，
并不是因为我觉得今天跟您聊也主要是因为其实您经入了好几个AI这个周期嘛，
像1617年，
其实是一个刚您讲了al法购，
然后刚出来其实是有一个AI的投资热潮的，
因为当时可能没那么多落地的场景，
但是公司需要。
这个长期的发展需要活下来嘛，
所以到现在可能又是一个小的增长的一个周期了，
可能很多AI的公司就活不到现在就已经挂掉了，
对，
所以我觉得你们可能是在商业化上面是做的非常的聪明的，
对，
这个也是其实也是市场的一个倒逼的一个情况吧，
就是因为AI公司它确实要能够自己能够自己造血，
然后自己养活自己，
这个是我们这几年就是呃，
一个心得吧，
对，
这一个小的热潮可能从去年开始吧，
因为元宇宙这个概念又突然出现了，
然后对起源这样的公司来说，
他你们是怎么样看到这样的一个小的周期的，
或者大周期，
我不知道，
因为没有办法预见未来的，
对，
嗯，
对，
因为我们从17年出来的时候，
当时就有一个公司的一个内部的一个slogan，
就是我们叫。
打造通用智能，
然后构建平行世界，
第一次融资的时候，
那个PPT第一页就是这样的一个东西，
然后我们是构建了一个我们觉得是一个双螺旋啊，
就是这边是平行世界，
当时没有原宇宙这个概念啊，
这边是通用智能。
那其实就是平行世界或者元宇宙，
它其实为这个通用智能提供了一个很好的一个载体和母体，
因为它在里面就是提供场景，
然后提供数据，
然后去孕育我们的这个通用智能，
那反过来通用智能出来以后，
其实我们的这些造出来aib都可以服务在这个虚拟世界里面创造内容，
然后创造这种AI角色和互动体验。
在数字人这一块，
其实去年已经有蛮多的可能像是中职人呢这种东西再出来，
但是你们其实是专业在怎么样把这个游戏虚拟人的这个智能化，
在这个方面还是做了很多的这个尝试和深挖的，
这块已经有一些商业应用了嘛，
这块其实我们啊没有对外披露吧，
就是也是在做一些商业化的落地和尝试，
主要有一些比较快速的一些落地的场景，
比如说这种AI驱动它的口型表情这块是比较成熟的一些技术方案都可以做，
包括前段时间我们参加了就是世界人工智能大会的一个比赛，
他就是去驱动这种口型，
三人两组测试。
啊，
一组测测试是10个真人去评判，
就是跟真的终止人驱动的口型他是是不是吻合，
然后还有一些就是通过一些指标吧去判断，
那这块我们两项都是拿到第一后，
也是因为这样一个比赛，
其实有很多的以前做数字人的形象皮的这样公司来找过来合作也是需要，
就是说我们通过这种AI的驱动方式来去代替掉它原来比较生产率比较低下的这样的一些中植的方案啊，
那这块目前是在一些像传媒啊，
金融啊，
一些虚拟员工啊这样的一些场景里面在落地。
第二块就是这种，
呃，
对话系统之前的话都是需要人在后面去生成文本，
或者说他只能把戏剧主播的话，
他只能去练一个一个稿子，
对吧，
那其实现在像一些电商的直播间呀，
呃，
像这样的一些场景的话，
他是需要跟一些这个观众进行一种实时互动的，
那这里面它需要一些比较强的这种，
呃，
自然语言对话的这样的一个系统。
能够去做这种比较顺畅的，
呃，
人机交互，
那这块其实也是，
呃，
我们正在就是商业化落地的一个场景，
所以两边其实你们都在做一个，
它是这个外皮，
然后一个是里面的这个自然语言的生成，
所以两边来说的话，
你们是同时在发力是吗？
因为很多公司他就只是专注的在做一块，
还会有别的一些方向，
那这两块其实是我们比较合适的一个技术方向，
然后另外像对话这块的话，
确实是通用人工智能里面非常核心的一块技术。
啊，
那这块其实我们是重点在做这块的研发，
因为像语言的话，
其实是人的非常重要的一个关键的一个组件，
因为我前几年其实在硅谷看过的公司，
他也是好像先是跟一些名人开始合作，
像是奥巴马或者这样的一些名人，
然后拿着奥巴马的录像来训练数字完胜的这样的一个形象，
对，
然后他们说最关键最难的地方，
就像您刚刚讲的，
其实嘴这一块，
就是你嘴的这个舌头这个动的这样的，
是很能够分辨出你到底是真人还是这个假人呢，
你不能这么说，
好像不太，
不是很专业，
就是这一块的难度是最最高的，
不知道您能不能跟我讲的这个是为什么，
然后您刚刚讲的是这个可能跟中人在后面和这个AI这个驱动的，
为什么这一块它的这个细节也是确实这么的重要。
其实口型这块是确实比较关键的一个部分，
但其实最难，
最难是眼神这块的他的驱动，
然后包括一些微表情这样的，
然后口型目前是其实走的比较全面的，
因为通过一些数据同一些算法，
它就可以礼合的比较好，
那这里面其实比较关键还是数据这块啊，
那数据的质量，
然后加上算法的一些先进性吧，
现在其实眼神这块难做，
较难做的对，
会有这种valley的这样的一个一个效应吗？
就是就做的特别像，
其实大家会觉得很可怕，
然后大家可能不需要那么像。
其实有一些做法，
现在目前比如说他是用2D的，
你可以理解就像西实换脸一样，
内容就是特别的特别的真实啊，
你基本前段时间是有一个有一个主播，
然后他播了可能有好多天就没人发现它是一个啊是吗？
是一个AI在那在那播，
对，
所以这块其实也是取决于我们要应用在什么样的场景里面，
它相对游戏来讲的话，
就是更加的短屏快一些，
然后方案也会比较偏这种SaaS化的，
像刚才讲的这种直播的话，
它其实是推送一个视频流过来就好了，
所有东西都是在云端就可以做好啊，
然后偏这种语言的，
然后驱动啊。
其实它是比较通用的啊，
它不像在游戏里面，
你要做一个AI的角色或者玩家的话，
它是跟环境，
跟你的玩法，
跟你事业观是高度耦合的，
但像数字人的话，
他会更SARS化，
更标准化的这样的一个交付，
因为我感觉好像这种真人的数字人好像还是不是特别的多，
是吗？
偏真人的话，
他其实他的互动性就会比较弱一些，
所以你看到的所有的东西，
他可能都是在自己播送，
所以呃，
能互动的基本上都是那种写实的或者卡通的，
明白了解了就是有还是有中职人在后面，
这是一个P，
嗯嗯，
对，
但是未来的可能3~5年应该都会被大部分吧，
可能会被案明白，
这因为我们的这个AIGC的这个生成的语言这一块，
其实是已经慢慢在成熟起来了，
这个反正从市场的需求来看的话，
也是这块的需求比较旺盛。
那我们刚刚讲到其实是从这个角色生成，
然后再到未来的这个推理，
在推理这块是会有什么样的一些应用，
或什么什么样的一种这个可能技术的展现形态呢？
可以看到就是像AI生成这一块的话，
它其实是跟理解是有有关联的，
就是你想想就是如果说一个AI它能够生成，
能够预测它背后的含义，
就是说它确实是理解了一些东西的，
你不能理解的话，
其实你是很难生成和预测的，
这里面就是说缺一个模块，
就是推理的这个模块，
就是他能够举一反三，
能够可以用一些小的数据，
他就可以学出更多的任务，
对吧？
然后包括像为什么现在图像不能用在这种专业领域，
目前还停留在给比如说美术的这些从业人员就是找灵感的一个阶段，
这个其实也是因为像他的一些可控性其实是没有做到的，
比如说这个美术的专业人员，
他希望说能够精确控制他的甚至这种笔触啊，
他的阴影啊，
然后的他的着色啊，
他透视关系啊，
然后包括像这种对话，
其实也是你跟一个大波星去对话的，
会发现就是比如他的前后的一致性啊，
或者说甚至他不能记住之前的一些说过的一些话，
对吧，
就是现在是不太聪明的样子的一个助理，
对对对对，
嗯嗯。
所以他现在这种对话的话，
他会结合大模型，
然后会结合一些对话系统来去做，
包括一些这种语言的理解呀，
包括一些检索呀，
他会搭起来这样一些传统的一些做法，
然后才能去保证说我的对话系统能够更加的能够实用。
如果你直接基于大模型来去做的话，
其实会有很多的一些这样的不可控的问题，
因为我们像我们的应用场景里面，
像游戏里面，
对吧，
或者数字人里面，
它会比较开放域的聊天，
而且还会是结合某一种世界观，
那你在这个原神的世界里面，
你不能跟他聊这个键盘鼠标对吧？
啊，
你不能出现这种词，
就我是在一个什么年代，
我在是一个什么世界观啊，
我就应该说什么样的话，
对吧？
所以现在在这个可能我们达到我们的AI小助理们能够比较聪明的给我们做出一些推理方面的这些建议，
我们现在的一些瓶颈可能会是在哪里，
然后大概需要多少年，
可能这个瓶颈才会能够被克服掉。
AI推理就据我们所知，
应该也是像啊这些公司在攻克的他们所谓这个A的最后一块堡垒了，
可能还缺少一个神经网络里的某个结构能够适合做推理的，
所以你可以看到现在这种语言或者是图像生成，
为什么它的效果会这么好，
也是因为之前像attention上一个transform在一些关键的结构上的一些突破，
我自己个人认为的话，
是应该会有一个比较大的一个结构上的一个突破，
能够适合让这个神经网络能够自推理，
所以可能还是需要蛮长一段时间的，
这个研对可能需要需要一些底层上的一些呃，
科学上的一些突破吧，
所以这个时间也很难想，
到底是可能3~5年，
其实不太好说，
对这个很难很难预测，
但是就是你不要高估这个一年两年时间能做的事情吧，
但也不要低估10年做的事情，
对，
从AlphaGo到现在六七年的时间，
六七年是这个是会是，
你当时有畅想过吗？
说六七年可能。
AI人工智能会到什么样的一个节点，
或它能够到达什么样的一个一个状态，
是比你想象的快还是慢，
是比我们想象的预期的是要快的，
发展要更快是吧？
对，
当时我们出来说星际能够在三年内击败职业冠军，
这个根本不可想象的，
可能我们当时觉得三年以后能够表现的比较正常，
像人一样，
就非常非常不错了，
而且那个概率我们当时觉得也就5%吧，
我对，
但是没想到，
就是说三年时间确实是达到这个职业冠军的水平，
包括当时GP刚出来的时候，
我们也是非常的震惊的，
就是一个AI系统能够写了一篇文章，
然后上千字，
然后还前后一致性，
对吧，
特别好，
嗯，
他其实是突破了一个范式，
然后验证了，
就是说我为更多的数据，
然后一个很好的结构为更多算力，
它就会越来越好，
现在也可以看到GP2GP3对吧。
所以对于你们来说，
可能未来最兴奋的，
或者是让你们觉得这个人工智能的时代就是完全到来了，
或是什么样的一个时间，
或什么样的一个样子吧，
我们不说时间了，
高度智能，
高度的利人，
然后他有自己的情感，
数字生命的一个形态吧，
然后他应该会是每个人都会拥有的一个这样的一个情感陪伴，
加上生活的这样的一个助手，
就像这种啊，
贾维斯啊，
或者是说那个2001的那种面杀手里面一个Joy，
类似这种这种心态，
这个是我们觉得会比较兴奋的一个未来好的，
那非常谢谢龙总，
今天给我们科普了好多最近我们比较火热的AIGC的整个这个业态，
然后包括可能现在已经落地的商业模式，
可能还有未来的一个我们的畅想吧，
嗯，
好的，
那非常感谢您，
嗯，
也感谢丹好张丽插播我们关于胡同周年月的消息。
那我们的活。
动已经接近尾声了，
胡同漫游的终点站，
我们想邀请有台的主播，
胡同的会员来到我们的新办公室里面聚一聚，
放松一下，
聊聊天那不过在这样的特殊时期，
线下的活动总是充满了各种的不确定性，
那希望能够和大家顺利的见面。
活动的详情已经在show里面更新了，
请大家自行点击查看。
另外再宣传一下我们的周年订阅优惠活动马上就要结束了，
本次周年活动中各个分会场的音频我们会在活动结束后发给声动胡动的会员们，
新订阅的伙伴们也可以通过音频回顾来了解本次活动的内容，
所以大家不用担心已经错过了，
订阅的方式和优惠的说明已经放在了收动里面。
最后，
你们的慷慨支持是我们持续做好内容的强大动力，
欢迎大家加入我们的生动胡同，
Stilllikehalfapercentof,
那最近啊，
在我们生动活泼自己的群里面，
有一个小伙伴扔出来的一期博客节目，
就是知名主播周rogan采访乔布斯的一期节目，
然后我和我的合伙人陶老师就直呼，
哎呀，
我们可能要失业了。
对，
前段时间我们做了这个拉姆达day，
然后在自然语言或者是图片等人工智能内容创作领域的一些节目，
那今天我们想来聊一聊声音赛道的AI，
也想满足一下我自己的好奇心，
我自己离事业还要有多久？
那今天我们的嘉宾是高建清博士，
他是科大讯飞AI研究院的副院长，
您好，
高院，
欢迎做客我们的科技早指导，
您好，
丁老师。
啊，
高院您好，
呃，
您先介绍一下自己的这样的一个研究方向和您之前在科大讯飞负责的一些项目和内容吧，
我在讯飞做了16年的智能语音方面的工作，
嗯，
现在呢也是负责科大讯飞呃研究院语音方向，
嗯，
最早我是主导研发了国内最早的电话自助客服系统，
后来呢是创建了讯飞的语音转写团队，
嗯，
那么主要主导我们的呃语音识别系统的研发，
是在业界最先将我们的演讲和会议场景的撰写做到实用化，
并且孵化了像讯飞听见的会议系统。
呃，
智能录音笔，
智能办公本这些产品啊，
那么最近几年呢，
也开始逐渐带领我们整个团队做语音合成方面的工作，
也就是今天我们要聊的AIG这个领域的一个很重要的组成部分，
呃，
另外的话也做了很多关于智能语音产业化方面的一些工作，
咱们昨天其实在这个聊天的时候，
大概也聊了一下，
我们听到了这样的一个周采访乔布斯这样的一期博客，
他背后其实他的这个难度，
或者是他的这个难点在哪里，
他值不值得我们这个担心，
我们未来可能会失业了，
首先我们在这里面看到两个关键的技术，
语音合成以及呃对话文本的生成，
语音合成是相对来说是比较成熟的，
这个大概就是我们需要收集很多乔布斯的一些语音，
来学一个语音合成的训练一个语音合成的系统，
语音合成系统里面主要的难度是呃，
首先我们怎样在不是太大量的数据下，
能够实现我们的音色能比如说跟乔布斯很像，
然后另外呢，
发音过程中有很多的。
每个人发音有它自己的特色，
它的韵律，
它的节奏，
像我们需要标注数据里面的一些具体的一些文本的一些信息，
发音的信息，
同时我们还要收集到足够多的这种训练数据，
最后一个呢，
可能呃，
因为音频呃，
相对来说是比较久远录制的，
那么它的音质可能不会特别高，
那么我们怎么样做一个非常高质量的这个合成系统，
听感质量比较高的这个语音合成系统，
这个也是技术中的关键。
那比如说是可能最近我也看到大家比较火的，
就AIGC是在图片方面的应用，
那可能像是这个openI,
它训练一个像是道里这样的这个引擎，
他是需要可能60万美元，
然后大概时间也是比较久了，
那我不知道可能就音频的这样的一个领域，
它的一个训练的时长和成本大概是在多少，
图片领域我们现在看到的这个模型的话，
它更多的是用一个预训练的这样一个技术，
那么它其实是需要收集到海量的一些无监督数据，
所以在这种情况下的话，
呃，
因为数据量很大，
呃，
算法的模型也比较大，
所以它可能需要的时间是比较长的，
呃，
我们刚刚说的，
比如说恢复乔布斯的声音，
呃，
这些的话更多的是采用一个有监督的方案，
那么这种的话，
它更多的是在数据处理上的代价是比较大的，
那么模型的训练其实代价是不大的。
我们采用的是一个正常的模。
来做这样一个事情的啊，
整体的训练时长和训练的时间都是可控的，
时间应该就是在几个小时就可以完成这么快，
对，
那大概是需要多少的这样的样本，
我看好图片的话，
大概是需要20亿张图片才能才把这个do训练出来，
那这个语音呢，
针对像一些精品的发音人的话，
可能需要数十小时以上，
但是当你不一定能够收集到这么多声音的话，
其实呃现在的技术的话，
也可以做到一个不错的一个程度，
对刚刚我我我们说了就是让乔布斯和一个主持人做一个访谈，
那这里面其实包含呃两个关键的技术，
第一个是语音合成，
第二个的话是文本的生成，
那么我们认为呃，
语音合成可能技术相对来说是更成熟的啊，
但是对于文本生成来说，
其实现在的难度，
呃，
我认为是更大的，
也就是说我们要形成一个这样一个完整的这一个访谈，
那么。
访谈的内容它也是要自动生成的，
这个难度是更大的，
这个我认为现在呃，
生成一些看起来sense的一些句子其实是可以的啊，
但是如果需要传递一个深层意义的观点，
观点它是有铺垫，
有一定的递进关系等等，
那这个难度现在其实是很大的。
呃，
我看了乔布斯的这段视频的一些采访的文稿，
大体的通顺度等等，
这个都是非常好的啊，
但是他是不是表达了一个非常有自己观点的这样一个信息，
那么从这个的层面来说，
我觉得现在还是不够的，
他可能就是呃，
学习了乔布斯以往表达的很多的这个观点的这些文本，
也就是说他其实是一个垂直领域的非常相关的，
只跟乔布斯的发言相关的这些文本，
然后生成了一个采访的文稿，
如如，
如果是说只是声音是合成的话，
那可能意义就小了很多了。
对，
意义可能就少了很多，
好的，
那我们再回到这个，
我们现在生成的这样的语音，
它跟我们真人的这样的表达，
它现在相似程度能够到达多少？
我觉得现在最新的合成系统，
我们所谓的机械感其实现在已经很小了，
我们评价一个语音合成系统，
一般采用分来表达，
呃，
满分是5分，
那么可能我们说最优秀的播音员的话，
可能也许能够达到5分，
但是我们普通人啊，
因为口音的原因啊，
没有受过特殊的训练，
其实我们现在非常好的语音合成系统的话，
真人如果是说MOS分是4.5分，
那么机器可能是在4.4分这个样子，
其实差距已经非常小了，
明白我还是觉得我可能会失业，
因为经常会有人来吐槽说，
哎，
你这块好像这个怎么说的，
这个不标准，
对，
然后这个咱们现在的，
比如说是生成出来的这种语音之后，
可能还会做一些细节方面的处理嘛，
就出来之后会不会。
有一些觉得哦，
这块好像不太像真人会这么说的，
包括语气啊什么的，
你们会会怎么样再做一些深度的一些工作吗？
目前我们绝大部分这种合成都是不再需要调整的，
因为调整的话，
呃，
可能人工的代价也非常的大哦，
OK,
对，
但是我我们现在其实也研发了一个这样的一个一个工具，
其实是呃，
希望我们的普通的人，
比如说我们的产品经理也可以参与声音的创造，
这个工具的话是支持对声音里面一些关键的信息进行调整。
比如说什么地方需要重音，
什么地方需要停顿，
比如说有的时候可能多音字的发音不对，
只需要在我们的文本层面进行调整就可以了。
比如说你要合成一句话，
觉得这个文本原来的合成系统，
它是这个地方应该要停顿，
但是它没有停顿，
那么你就在这个文本之间插一个停顿的符号。
我不知道最近您有没有看到迈特的CEO，
这个扎克伯格，
他发布了一段视频，
就是他更有一个这个一个华人，
然后他们在没有对应的文字之间，
然后用英语和闽南语之间的这样的互相的一个翻译的一个视频，
对，
然后有人觉得这个好像也没有什么技术难度，
好像也有人说好像是讯飞玩剩下的，
我不知道你有没有看过这个视频，
Coiiandhoihimarkdoyouknowthatourteamcreatedthefirsttranslationsystemtosupportaspokenlanguageyeahthisisgreathockeyis湛爸宫和三喜，
呃，
对，
这个是前段时间比较有名的一个视频，
我也确实是看过，
从技术的角度来说，
这个是一个无文本的翻译。
呃，
因为闽南话它是一个偏口语化的语言，
它的文本的数据是非常少的，
总的来说没有文本桥接的这个翻译的话，
它的实现难度还是非常大的，
就是传统我们实现的从一个语音到另外一个语音的翻译的话，
其实它是分三个过程的，
是先把拿这个英文和闽南语举例，
那么他是先把英文的语音识别成英文的文本。
然后再接了一个文本的翻译系统，
翻译成闽南话，
然后再加一个合成系统，
将闽南话合成出来，
因为闽南话是一个文本上比较欠缺的，
甚至可能很多文字现在已经不存在的这么一个语言，
所以那么我们直接用这种级联的方案的话，
可能就会存在着困难，
嗯，
如果是说真的实现这个商用的这个文本翻译系统的话，
它确实是需要非常大的这个平行的语料的英语的语音跟闽南话的语音这个之间的相对应的这个语音，
这个是其实是需要非常大量的这种对应关系，
那么这种其实收集起来是非常的困难的，
这个也也是为什么端到端翻译，
呃，
目前在学术界还是非常。
热或者非常火的一个研究的话题，
或者是学术的问题，
但是在商业界可能没有那么广泛的被使用啊，
就是因为我们商业系统里面可能有语音的标注，
或者是说翻译文本到另外一个语言翻译文本的这种标注，
那么这种语料是非常多的，
但是呃，
两种语语音之间它的这种平行语料，
那其实的收集起来是非常困难的。
啊，
这个也就是为什么我们端当端的翻译在工业界没有发展的这么快的一个原因之一，
因为我知道其实现在在电影领域用这样的技术还是挺多的，
然后包括有一个乌克兰的创业公司，
叫做瑞比，
他们其实是一帮星球大战系列的那个达斯维德，
因为这也是一个比较老的一个franch，
一个电影系列嘛，
所以他们有一些演员已经非常老了，
然后甚至是有一些已经去世了，
所以他用这个自己的这个声音，
然后他把他授权给这样的公司，
然后用这个公司来生成以后未来电影的这样的一个语音，
是这样的一种方式在合作，
对我不知道就这种算是现在在这个领域最大的一种商业应用吗？
就是在营收方面，
还是，
其实我们想象空间其实可能会更大，
我觉得这个还是比较新的一种商业模式，
本质上来说还是成本和效果之间tradeoff的这个问题。
对于一些高品质或者说对质量要求非常。
常高的一些商业片，
找最顶级的配音演员可能是最好的，
最好的人一定是比现在的机器要好，
但是像这个创业公司，
他的一些应用的方式的话，
我觉得它其实也是有一定的商业空间的，
可能是对于一些呃，
要求不那么高的一些场景，
呃，
比如说我们现在像短视频的这个领域，
很多短视频的制作的话，
现在已经开始用AITC的这种方式，
用语音合成这种方式来做，
那么因为它成本的要求其实是非常的高的，
那么呃，
如果语音合成能够发展到一定的程度，
那么它配出来音乐确实非常的好，
那么其是我觉得这个商业空间其实也是非常的大的。
嗯嗯，
就现在的有，
因为平常刷一些这个短视频里面可能会有蜡笔小新的声音啊，
或者有某些方言的声音，
其实也是AI的这样的一种应用，
对吗？
是的，
现在其实短视频里面是有蛮多的是AIGC的一些应用，
所以这块应该是运用最多的，
但是它这个商业价值产生最大的也是这一块嘛，
还是有其他的一些呃应用语音合成，
目前商业最大的地方一个应该是呃语音交互，
然后后面其他的，
比如说像听书，
嗯，
像新闻播报，
短视频制作的这个领域的话，
算是目前新兴发展起来的一个领域，
为什么说语音交互是发展最快的，
其实语音交互已经有。
从出来到现在可能已经有10多年的时间，
那么语音交互里面，
因为人要与机器交互，
那么其实呃语音识别，
自然语言理解，
语音合成都是里面非常关键的一个技术模块，
那么因为在汽车交互这个领域，
它是一个垂直的领域，
那么一般的乘客或者是驾驶员在开车的过程中，
他所要呃交互的事情其实是有限的，
典型的比如说听广播导航。
然后一些测控的命令等等，
就是一些受限领域的一些交互的方式，
在这种情况下的话，
其实呃语音交互其实是可以打磨的非常好的，
那目前呃，
我认为嗯，
语音交互在汽车和家庭这些垂直领域的话，
呃其实已经发展的非常快，
而且可以说已经达到了好用的阶段，
特别是一些新能源汽车，
或者是说现在发的一些新车的话，
那么语音交互已经成为这里面的标配了。
所以可能是在真正的就是技术，
它可能已经到这里，
但是在大家的这个实际使用上面，
好像感觉好像没有我们在科幻电影中看到的那么的频繁，
还是这个数据正在缓慢的上升，
是大家需要一个可能还得需要一些时间。
两个方面就是第一个方面的话，
还是技术要发展到一定的程度啊，
这个系统要好用，
真正的好用可能用户才愿意用。
第二个方面的话，
就是这个场景它确实是刚需的，
只是一个玩的场景，
或者是秀的场景的话，
那么它可能很快新先进过去以后，
大家就不会使用了。
呃，
为什么我们说在呃，
汽车和家庭这样的场景，
我们现在语音交互发展的越来越好，
首先就是在这两个场景的话，
语音交互它确实是刚需，
所以会有越来越多多的用户去使用它，
呃，
这样的话，
当我们发现这些场景确实有用户价值的话，
那其实我们就有非常大的动力在这个场景进行非常细致的打磨。
另外一个方面的话，
我觉得嗯，
语音交互将来更高级别的发展的话，
应该是会发展成一个有情感陪伴的这个系统，
那么你其实是可以跟机器去进行很深入的一些沟通。
one我记得好像应该是亚马逊在上半年的时候好像发布了一个产品，
就是把你的逝去的亲人先保存在这样的一个像Alexa这样的一个语音的这样的一个系统里面，
然后未来可能让他。
陪伴着你。
更高级别的交互的话，
他其实是要是个性化的，
他是懂你的，
它是有情感的，
那么这些的话，
可能就是我们交互系统向进一步发展更好的方向发展的一个趋势，
整个一个语音交互或者是人机交互系统，
它其实包括感知、
表达和大脑三大块，
感知就是我们通常说的呃，
语音唤醒，
语音识别啊，
它是让机器懂你的一些声音，
能懂你的一些内容，
懂你的情感，
然后表达的话可能就是呃语音合成，
或者是虚拟人等等这些可能语音交互里面最核心的还是这个交互系统本身的这个大脑，
这个呃，
所谓的大脑的话，
其实它是呃，
需要理解你跟我交互的是什么样的内容，
完了以后还要生成一个非常好的。
人一样的这个回复语，
那么这个回复语里面可能是要完成你的一些任务的啊，
然后这个回复语怎么样在更拟人化的那个表达出来，
这个都是非常关键的，
只有这些这些关键的技术都做好的话，
我们才能呃做一个所谓的有思想的语音交互系统，
之所以我们其实现在已经看到了像是万DA呀，
还还有这个GP3这样的一些可能所谓的未来可以成为这个大脑的这样的一些AI的算法，
他可能还是得需要更长一些的时间，
然后再加上我们在可能声音领域啊，
然后在这个其他一些领域的一些技术，
然后它合起来可能才会有一个更加智能的这样的一些产品来服务我们，
呃，
人工智能现在在很多领域，
慢慢的其实是在帮助了很多的人，
最典型的是代替了很多，
呃，
原来人类非常繁杂的一些。
些劳动，
嗯，
但是确实他可能在一些类似于有思想有创造或者是艺术性的领域的话，
这个难度，
技术难度是是更大的，
也是需要更长时间的发展，
对，
因为可能最近大家关注的像是里亚，
然后包括可能stableDi这样子的人工智能策划的应用，
其实这几个月大家都用的适用的如火如荼，
然后觉得好像是颠覆了很多人的工作，
让一些绘图的这样的工作人员，
或者是设计师啊，
还是一些的这样的一些工作员，
他们可能未来工作会简化的非常简单，
或者甚至有些人就没有工作了，
我不知道在人工智能语音这一块儿，
会不会有这样的一个时间节点，
或者是让大家就觉得我的工作好像有点岌岌可危了。
呃，
类似于刚才表达的观点，
机器擅长做的这个事情，
让机器来做，
人更擅长呢，
可能是更加具有创造性的，
更加具有思想的这些工作，
在我们声音领域的话，
其实也有很多这种人际耦合的这种方式，
比如说像法院的庭审，
这个庭审的过程其实背后是有一个书员在记每句话的，
这个以前是一个法院里面应该就是书记员，
书记员这个岗位他在做这个事情，
其实这是需要人非常专注的，
很专业的一个事情，
记起来其实是非常的困难的，
而且是强度很大的。
那现在我们机器做语音识别，
那对机器来说，
你说的每句话，
它可以快速的非常实时的就把你的结果识别出来，
那么我们现在的数据源的话，
可能就可以在机器识别的结果上做少量的修改。
从语音到文字这种最繁杂的劳动是。
机器来帮你做的啊，
但是机器的识别率可能不是100%，
它需要一些修改，
然后它也需要一些提炼，
因为我们人讲的话，
他可能很多时候是一个很口语化的东西，
但是我们最后形成的一个记录的话，
是需要一个书面语的东西，
那我们的我们没有让数据员试验，
我们有很好的帮助了，
他不知道最后能不能让您帮我们再展望一下，
就是人工智能和声音结合的这个方向的一些赛道或者是应用，
可能会在未来的几年会有一个小的爆发。
在技术领域，
我觉得两个重要的方向，
首先是感知，
或者说从我们怎么样把语音的内容或者情感识别出来，
这个方向的话，
我觉得可能更多的还是要解决一些，
现在语音识别面临的一个更加复杂的场景，
我们现在解决不了的一些问题，
那举个例子，
我们语音识别里面的。
今年的鸡尾酒会的问题，
比如说开一个party啊，
很多人在一起讲话，
那么人是有能力听懂其中的某一个人的讲话的，
但是机器在这种场景下，
因为非常的嘈杂，
对于他来说是非常的困难的，
那么这个真实的应用场景的话，
可能比如说会议啊，
采访啊，
这些里面可能都会存在这个九尾酒会的这些问题。
那么现在其实呃也会有一些解决的方案，
比如说我们可能用麦克风阵列的技术啊，
或者是说我们用多模态的技术，
呃，
麦克风阵列可能就是采用更多的麦克风啊，
然后来进行更好的降噪，
多模态的话可能就是我们要结合语音和视频的信息，
那比如说你的唇形的信息跟语音的信息的结合，
那么那么可能对于这种噪声场景下语音识别的问题的话，
就可以更好的解决。
那么我觉得这个可能是在语音识别类这个方向的一个接下来在技术上的一个研究的热点，
或者说也是我们必须要攻克的问题。
那么语音合成方向的话，
为什么我们现在听的一些语音合成的声音还是有一些机器人的感觉，
或者说长时间听你可能还是不舒服，
这里面我觉得可能第一个要攻克的一个情感的问题，
怎么样让我们语音合成出来的声音更具有情感化，
第二个发展的方向的话，
口语化的合成，
现在很多语音合成的系统，
如果你听的时间非常长的话，
会觉得不舒服，
里面有一部分原因的话，
是因为我们每一句的声音都会非常的工整，
它都是一个像播报类型的这个声音，
那么这个你时间长了，
听起来会就会觉得不舒服啊人，
它其实它的声音是非常的自然的，
它里面会有一。
一些口语化的一些内容停顿等等这样一些东西在里面，
那如果是在可能应用层次上面，
有没有一些可能是马上大家会比较兴奋的一些，
嗯，
应用方面我觉得最大的一个方向的话，
还是语音交互，
其实语音交互发展的这么多年，
到目前为止，
它可能还是在垂直领域做的比较好用，
但是如果我们在更加开放的领域怎么样做的更好，
那么如果这个方向突破的话，
它其实在很多领域都会得到应用。
第二个大的领域的话，
可能就是跟我们媒体相关的海量音频的这个转写，
那么这个也是一个非常重点的一个方向，
也就是说比如说我们现在其实是有很多短视频，
有很多媒体每天都会产生大量的这个视频的信息，
那么这个视频的信息，
它其实是一个非结构化的，
无组织的一个信息。
那么怎样把这些。
信息更高效的转写成文本，
然后更高效的进行内容分析，
变成一个有结构化的信息能够存储下来，
嗯，
这个也是未来几年发展的一个很重要的方向，
好的，
这个确实是跟我们还蛮息息相关的，
因为我们其实在平常录播课的时候，
还是希望是把它转成文本，
然后我们在文本上编辑可能会更快一点，
再去再进行剪辑，
这样的协调下来的话，
可能我们会省蛮多时间的，
是的，
那反正跟反正今天跟您聊下来，
就感觉我们短时间内可能还是不会失业的，
然后未来如果是有更好的大脑这样的这个AI，
然后再加上语音的训练的这样的一套表壳，
不知道怎么来描述它，
嗯嗯，
但即使是那样的比较成型的话，
我还是需要我们告诉他去聊什么内容，
然后有结构化的去聊，
到时候我们就可以更少时间的去工作，
然后只要告诉他去怎么去工作就OK了。
如果是要畅想一下的话，
对也。
这可能有一个采访，
那么如果说将来有一天是不是，
呃，
机器知道你要采访的人，
那么他可能可以根据这个采访人的特性啊，
他的专业领域啊，
可能就会给你生成一个采访的提纲，
呃，
甚至可能你想采访的什么语言文本等等，
它都可以给你进行一个生成，
当然这个它是不是你的思想，
或者是说是不是你真正想要的，
那我觉得人类其实是可以进行进一步的加工的。
好的，
那今天非常感谢高院帮我们科普了最新的可能是在AIGC在声音领域方面的一些应用，
以及未来我们可能会在哪一些方面看到呃，
AIC声音领域的一些新的技术和应用的这个发展，
呃，
非常感谢今天参加我们的节目，
谢谢高远，
感谢林老师。
另外节目的最后也想告诉大家，
我们为科技早知道的听众准备了三套讯飞听见专享卡，
包含同传录音、
转文字以及小语种转写不限量等权益，
大家可以在我们本期节目的评论区或者生小樱微信的朋友圈里面留言，
我们将随机抽取三位，
那结果将在下期节目上线前评论区公布，
这期沃next科技早知道就到这里了，
听完之后如果你有任何的想法，
欢迎在评论区里面给我们留言，
我们每一条都会认真的看，
如果你喜欢我们的节目，
请记得给我们五星或者好评，
分享给更多的朋友，
也会对。
我们非常有帮助，
你也可以单独写邮件给我，
邮箱地址是听tingat生点FM，
我都会一一回复那同时公众号和微博也可以搜索生动活泼盛世声音的声节目，
相关的更多信息会在公众号里出现，
微博和公众号都会有不定期的福利给到大家。
如果你想要跟我们更加紧密的讨论和分享，
或者是想要认识和你一样有求知欲的新朋友，
可以加入我们的微信群。
进入听众群的方法是在公众号文章中扫码添加，
或者是公众号后台回复科技早知道即可获取邀请码，
期待你的加入，
我们下期见。