AI Live Broadcast终于不再是一个头。现在，现实生活中的锚点真的无法击败AI。在今年的618促销活动中，“ Make a Friend”在Baidu Youxuan举行了现场直播，但该直播的对手不是男人，而是AI。在实时广播室，lu Yonghao和Zhu Xiaomu与默认，不开玩笑或争论合作，而只是继续出售商品，爆炸笑话，并在评论时间评论领域与网络人联系。 “在Barrage中，我问我如何分辨Mutaai是真实的还是假的。如果我被吸收，我的心脏病是真实的，肝病是假的。” “有人问即时面条是否美味。如果您购买它们并尝试它们，请给您的朋友一点。如果您不尝尝美味的美味，只需将它们全部送给您的Kalove。”“您的脸有多大210磅？ry ... "The more annoying the digital broadcast" record "of Luo Yonghao is better than the real people. Man, and the GMV exceeds 55 million yuan. of man.Multimodal of speech, language and vision, specifically shown as out-of-synchronization of lines and speech tones, actions of expression and semantic misunderstanding, etc. Specifically, this set of technical solutions includes five innovative technologies, including script-driven digital human多模式的协作，脚本生成，可以整合多模式计划和深入思考，动态决策的实时互动，语音综合文本控制以及高一致性超现实的数字人类视频生成，以便“精神，形式，声音，内容，内容和语音”可以与人类的数字相处，并与人类的表达方式相处，并与人类的表现出色，并与人物的联系，并可以及时地与人物接触。语言为p在数字解决方案与数字人的技术的多模式合作中，脚本的生成无疑是主要链接，该链接涵盖了三个部分：线条，多模式和动态触点驾驶。最基本的线路需要解决三个关键问题。首先，通过对样式进行建模，我们为不同样式提供了精致的自定义化，以便线条显示不同的样式，并且与An锚的个性非常一致。其次，通过角色建模，对人格和行为行为的准确恢复，并通过两人实时广播场景保持多字符协调，从而塑造了现实的角色设计；第三，我们介绍了内容计划和深刻的思维机制，以确保语音信息的准确性和鼓励。同时，为了避免“幻觉”，Isiwe还包括以下事实：校对和增强对线条的知识的机制以确保每个句子都可以立即进行调查。以Luo Yonghao的数字人物为例。 Luo Yonghao和Zhu Xiaomu都具有强大的个人风格。他们经常在直播期间弹出一些口号。为了创建具有强大控制和高度现实感觉的虚拟锚，Baidu是基于4.5 Turbo的大型Wenxin模型，投资确定了大量的直播数据，依靠“采矿转录，质量改进，模仿和写作合成和编写合成和自动审查”的四个链接”，以及在两个锚点的心中，继续学习的效果更适当地进行效应。同时，引入了多个特定合作机制，以模拟不同锚的表达的逻辑，以便对话是固定的，并且与语义促销，节奏控制和风格的语气保持一致，并避免感到“每个人都说自己的话”。所谓的多模式驱动器是指大型标签语言模型根据锚点的工作和角色设计的目标生成关键行，并同步视觉和声音的输出。这些标签不仅补充了语言内容，而且还可以驱动音频和视频生成系统以实现自然，并发和表现力的输出。例如，在发音阶段，模型使用脚本中的段间标签来平稳控制不同段之间的连接，并且文本内容还可以驱动TTS系统以实现更细的谷物音调控制。音频合成的结果进一步与视觉标签有关，以便视频生成系统可以实现唇部运动的同步，高度表达的动作设计和情感表达，从而实现了三种“声音，形状和含义”模式在输出层中的统一性。在此基础上，脚本的生成还具有动态的交互功能。例如，当Ai Luo Luo SElls Pure Milk，一个网民问一个360个月大的婴儿是否可以喝它。 Ai Lao Luo有趣地回答：“我可以在600个月内喝它，谁不是婴儿？”这种反应背后不仅是一代语言，而且是基于多模式信息（例如角色样式，场景上下文和情感语气）的综合决定。就像人类的数字技术一样，逐渐渗透到实时广播，电子商务，客户服务等等互动情况下，语音综合的自然性也成为确定用户沉浸和信心的主要因素。尤其是在现场广播室，观众想要听到的不是艰难的发音或机械声音，而是一种表达这种情感的方式，自然地像现场锚和加强沟通一样。因此，人的数字声音越“人”，关系的现实越强，对用户的接受和接触意愿也会增加。然而，发音发音的传统技术通常会呈现出一种直截了当的表达方式，但没有情感。在充满情感紧张的现场广播场景中，这种过多的常规声音似乎“失败”。它不会及时反映节奏的语气和变化，例如人类锚点，也很难根据产品介绍，交互式节奏等的变化来组织情绪状态，尤其是在诸如呼吁用户下达订单和引入流行产品之类的主要语音链接中。传统的TT不能自然表达情感发展和吸引力，这会影响整个数字人类系统的鼓励和连贯性。为了响应这种疾病的实际点，百度提出了解决方案“由文本发音控制”。在大型语言模型发布脚本之后，发音合成的大型模型构成将结合文本内容，锚定样式正确扎带和发音特征的表示，以执行统一处理。在此过程中，发音模型不仅知道“怎么说”，而且知道“如何说”，以开发一种语言。发音时，它自然会发出情感上断和语言节奏，使真实人的发音更接近内容和表达的术语。例如，在Luo Yonghao的数字直播室中，锚点的声音大大恢复了他原始声音的语气和语气，并且还反映了现场广播节奏的自然停止，重点和情感变化。同时，百度还解决了与两个人接触现场广播的挑战。实际上，锚点之间的协调经常持续以高频的行为，例如中断，回声和重复，这对相干性和接触语音合成的要求更高。因此，百度引入了“对话上下文编码”来执行在综合历史对话和当前对话信息时，对推理的统一计算，以实现“两个人合作”的自然转移。在数字广播方案，图像和驾驶生成中，超现实的数字长期视频的高度一致性是与当前最困难的链接。首先，应该解决多模配件的问题，其中涉及多方向信息的对齐：脚本对视频表达提出了特定要求，而TTS声音也被迫进入节奏和视频动作的生成。相反，视频本身还需要培养声音，最终是“声音，内容和言语”的一致性。其次，锚通常伴随着实时广播的大量动作，动作和表达，这对增强用户的情感吸引力产生了重大影响。因此，在视频阶段在此，他们不仅应该诚实地重现语言内容，而且还需要是准确的模型并正确综合这些动作。在现场联系级别，数字实时广播还面临着“人物场”免费接触的复杂性。锚需要与符合物理逻辑的产品，背景和空间布局相互作用，例如观看产品，提升物品或指向Sneezingita区域。如果您对空间关系缺乏准确的理解，则可以轻松地遇到缺陷，例如霉菌的渗透和破坏沉浸式的未对准。此外，实时广播的持续时间还增加了技术一致性的问题。通过直播超过6个小时的直播，角色形象中的任何变化角色，产品定位错误以及动作风格不均匀，直接降低了观众的体验。直到今天，百度提出了“高稠度，超现实的数字长时间o generation" solution, which captures historical video data, script script, voice information, and bone drive as inputs. After reviewing and understanding the multimodal video, highly expressive clips, complex clips of human farm contact and large modal expression clips, and were foundA scheduling in a long-term order, to ensure that the voice, shape of the lip, expression and movement are always highly synchronized, and genuine "sound, content, and consistency of speech". In the digital live broadcast of luo yonghao，这种技术解决方案纯粹是可见的。和ID的产品，所以T系统可以继续并稳定地控制长期内容的角色性能和产品方向。大胆和互动的错误最终将在锚点之间实现自然而平稳的协调，以及语言节奏，动作实施和产品显示的重大效果。结论Baidu是中国最早估计AI潜在能力的技术公司之一。早在11年前，移动互联网就处于爆炸性时期，“人工智能”仍然是实验室的一个淫秽概念。百度已经在无形的领域投入了资源。当时，这种选择似乎有些先进甚至“替代”。时间给出答案。 Chatgpt的出现创造了一波生成的AI。 Baidu遵循每个密钥节点，并继续发布大型模型的主要结果：从Wenxin 3.0到Wenxinbig 4.5，再到X1，其中包括思维和升级版本4.5 Turbo的深刻能力，技术系统正在不断变化，模型能力的认知深度和产生越来越增强。 Luo Yonghao现场直播现场直播的现场直播是大型Wenxin模型的“最佳实践”。它不仅强调了百度技术的成熟度和切割，而且还证明了大型模型技术在实际业务情况下的效率和可行性。可以预见的是，作为基本的能力，例如深思熟虑，知识的增强，对意图的理解以及与多字符的接触，而多头会继续跳跃，百度的数字人士将更加现实和聪明。它不仅带来了提高效率，而且还意味着探索技术投资和重新建设价值所带来的商业模式的“ Landlessof Man”。