AI數(shù)字人的底層邏輯主要基于兩種操作機制。一種是智能驅(qū)動型數(shù)字人，這種類型的數(shù)字人通過智能系統(tǒng)自動讀取和解析外界輸入信息，然后根據(jù)解析結(jié)果決策數(shù)字人后續(xù)的輸出文本，最后驅(qū)動人物模型生成相應(yīng)的語音與動作，實現(xiàn)與用戶的互動。這個人物模型是通過AI技術(shù)預(yù)先訓(xùn)練得到的，能夠通過文本驅(qū)動生成語音和對應(yīng)動畫，業(yè)內(nèi)將此模型稱為 TTSA（Text To Speech & Animation）人物模型。

另一種是真人驅(qū)動型數(shù)字人，其核心原理是由真人根據(jù)視頻監(jiān)控系統(tǒng)傳來的用戶視頻，與用戶進行實時語音交流，同時通過動作捕捉采集系統(tǒng)將真人的表情、動作呈現(xiàn)在虛擬數(shù)字人形象上，從而實現(xiàn)與用戶的交互。

從技術(shù)角度來看，AI數(shù)字人的本質(zhì)是人工智能的一種進化。它整合了人物形象模擬、人物聲音克隆、自然語言處理、知識圖譜解析等眾多世界領(lǐng)先的人工智能技術(shù)，提供了一種可以隨時隨地與真人進行準確交互性對話的方式。背后的技術(shù)原理涉及到符號主義、聯(lián)結(jié)主義和行為主義等多種研究視角。

隨著新技術(shù)浪潮的推動，虛擬數(shù)字人的制作過程得到有效簡化，性能也得到飛躍式提升，開始從外觀的數(shù)字化逐漸深入到行為的交互化、思想的智能化?，F(xiàn)在，以虛擬主播、虛擬員工等為代表的數(shù)字人已經(jīng)開始在影視、游戲、傳媒、文旅、金融等眾多領(lǐng)域大放異彩。
審核編輯 黃宇