在 WAIC 百度展台前,我站了十分钟。
台上俩数字人在聊天。一个叫林深,人设是量化分析师。另一个是甲子光年创始人,甲小姐。 画质没得黑。皮肤、光影、眼神,拉满了;但我没听他们讲什么,一直在盯脸,想找出哪儿不对。 以前看数字人,说不出哪儿假,就是假,后来我想明白了。问题根本不在脸上。 2009 年,有个学者叫 Stivers,他录了十种语言的日常对话;从纳米比亚沙漠的猎人,到东京的上班族,一帧一帧地量:上一个人说完,到下一个人开口,隔多久。 结果,十种语言全落在 0 到 200 毫秒之间,全球统一。跟文化没关系;同一批数据还发现一件事:所有语言里,「确认」都比「否认」快。 什么意思? 你反驳一个人之前,会多犹豫几十毫秒,全人类都这样,你意识不到,但它存在,这就是数字人以前过不去的坎。 它的停顿,是排出来的;同意停 0.3 秒,反驳也停 0.3 秒。可真人反驳,是会多停一会儿的。 百度一镜这次在 WAIC 首发的数字人视频播客方案,动的就是这根弦。 官方讲法是这样的:文心大模型,不再给句子打「开心」「悲伤」这种标签了;它像一个导演,按情绪、表情、动作、声音、人设、场景六个维度做规划,细到肌肉动作单元。 专精模型把表情控制粒度,压到了 1 秒以内。1 秒什么概念? 以前数字人,三五秒换一次表情;微表情的生命周期,是 1/25 秒到半秒,拿分针当秒针使,钟走得再稳也是坏的。 1 秒,是第一次够着「微」这个字的边。 落在画面上是什么样?林深说话时,甲小姐在点头。说到点子上,眼睛稍微一睁,眉毛挑了半下;她要插话之前,会先顿那么半拍。不抢。 就是真人开口前,那种停顿。 对了。甲小姐也是数字人;没见过本人的,大概率就当真人看过去了。 最后说句实话;他们挑播客首发,是挑了个最难的场子;直播间有商品挡脸,口播有干货兜底。播客什么都没有。观众看的就是,两个人怎么反应。
台上俩数字人在聊天。一个叫林深,人设是量化分析师。另一个是甲子光年创始人,甲小姐。 画质没得黑。皮肤、光影、眼神,拉满了;但我没听他们讲什么,一直在盯脸,想找出哪儿不对。 以前看数字人,说不出哪儿假,就是假,后来我想明白了。问题根本不在脸上。 2009 年,有个学者叫 Stivers,他录了十种语言的日常对话;从纳米比亚沙漠的猎人,到东京的上班族,一帧一帧地量:上一个人说完,到下一个人开口,隔多久。 结果,十种语言全落在 0 到 200 毫秒之间,全球统一。跟文化没关系;同一批数据还发现一件事:所有语言里,「确认」都比「否认」快。 什么意思? 你反驳一个人之前,会多犹豫几十毫秒,全人类都这样,你意识不到,但它存在,这就是数字人以前过不去的坎。 它的停顿,是排出来的;同意停 0.3 秒,反驳也停 0.3 秒。可真人反驳,是会多停一会儿的。 百度一镜这次在 WAIC 首发的数字人视频播客方案,动的就是这根弦。 官方讲法是这样的:文心大模型,不再给句子打「开心」「悲伤」这种标签了;它像一个导演,按情绪、表情、动作、声音、人设、场景六个维度做规划,细到肌肉动作单元。 专精模型把表情控制粒度,压到了 1 秒以内。1 秒什么概念? 以前数字人,三五秒换一次表情;微表情的生命周期,是 1/25 秒到半秒,拿分针当秒针使,钟走得再稳也是坏的。 1 秒,是第一次够着「微」这个字的边。 落在画面上是什么样?林深说话时,甲小姐在点头。说到点子上,眼睛稍微一睁,眉毛挑了半下;她要插话之前,会先顿那么半拍。不抢。 就是真人开口前,那种停顿。 对了。甲小姐也是数字人;没见过本人的,大概率就当真人看过去了。 最后说句实话;他们挑播客首发,是挑了个最难的场子;直播间有商品挡脸,口播有干货兜底。播客什么都没有。观众看的就是,两个人怎么反应。

JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图