量子位 宣布 | "大众年夜众号 QbitAI
昨天下午,柳岩和大鹏到快手总部“扫楼”,“快手星闻”全程直播。一个吸引人的橙色小精灵,全程生动在直播页面上,它便是快手直播间的智能宠物“小快”。
直播过程中,柳岩和大鹏可以随时和小快谈天,小快还能对两位演员的新电影侃侃而谈,得到了二人的喜好。
在直播里加花样,早就不是什么新鲜事了,各种基于打算机视觉技能的殊效、AR效果,已经被直播公司们玩出了花。
但快手这家脑洞大的公司,这次把智能宠物“小快”放进了直播间里,这样用户在开直播的同时,就能“使唤”小快完成发红包、放音乐、讲笑话、闲聊等各种功能,帮助主播和不雅观众进行互动。
就像舞台上的演员可以引导播台喊“music”一样,小快可以做主播的专属助理+音响师。
将有语音互动功能的智能宠物引入直播,这还是业内首次。
小快,特殊的语音助理小快本身是快手的吉祥物。在快手的直播页面中,小快默认涌如今屏幕的左侧,平时是趴在屏幕边的状态,如果你喊“小快小快”召唤它,它就会跑出来,识别你接下来的命令,这样,在直播的时候,不用伸手点就可以完成各种功能。
小快可以帮你生动直播现场的气氛,比如,你可以命令它会放音乐、讲笑话、讲故事等,乃至还会发快手平台的虚拟币“快币”红包。
也可以直接让小快找人连麦或PK,你也可以看到其他用户的小快。
而对不雅观众而言,进入直播间的时候,主播的小快会专门来欢迎你,送礼物之后也有报答,更有互动的觉得。
此外,快手还为小快开拓了养成系统,第一次开直播的用户完成三个初始任务后,你的小快就会变身为常伴你旁边的小宠物。
点击小快的图标,屏幕的下半区域就会变成小快的专区,小快会用各种姿态向你问好。
由于小快的形象用到了实时的3D渲染,因此看起来整体效果非常真实,哪怕是繁芜的动画效果,也可以顺利切换并呈现在你面前。
乃至还能选择它的性别,女生版头上会多出一朵小花花。
之后,小快进入养成状态,完成逐日任务能为小快赚取饭团,投喂之后小快可以升级,得到包含各种直播权柄的升级礼包,并解锁更多技能和形状。
开拓进程
或许你会问,开直播,为什么要加入一个语音机器人?
这要从一个过气网红提起:夸夸群。
△ 快手第二届黑客马拉松,夸夸机器人项目在进行demo演示
今年3月,各种各样的“夸夸群”溘然火了起来,你在群里分享自己的各种有趣行为,求夸,网友们就用各种姿势把你夸上天。
那么,既然能让网友来夸你,能不能干脆找个AI来变着花样夸你呢?
于是,在愚人节那天,快手内部的“以AI之名”黑客马拉松活动中,就涌现了一个“夸夸机器人”,产品团队顺势就把这个机器人延伸成为了语音机器人。
因此现在,如果你对小快说“快夸我”,它也会猖獗的夸你精良俏丽风趣诙谐……
不过,在直播中做语音助手,要比普通的手机语音助手和智能音箱更难,没有智能音箱那样专业的硬件,喧华的直播环境和有限的打算资源对手机的哀求更高。
“小快”语音机器人用到了语音唤醒、语音识别、自然措辞理解、对话管理、语音合成等技能,乍一看并不新奇,但当他们被用在手机直播这个场景下,则有更大的难度。
首先,主播须要喊“小快小快”进行语音唤醒,开直播的时候,手机常日离主播1米旁边,比手持的间隔要远,不知足传统的近场条件,且系统只能拿到单通道数据。
而且,主播利用的手机型号多种多样,麦克风拾音性能千差万别,有的主播还会利用具有声效处理功能的声卡,小快的语音唤醒必须适配这些繁芜条件。
在此同时,手机开着直播,本身就占用了不少打算资源,因此小快机器人不能占用太多的CPU资源,不然会影响直播的清晰度和流畅度。
在这些繁芜条件下,快手技能团队设计了两阶段语音唤醒系统,第一阶段采取精简模型,增加召回率,第二阶段采取繁芜模型,提高准确率。其余,还须要在反应肃清、模型抗噪方面做了大量算法优化。
唤醒之后的语音识别环节,快手团队也碰着了难点:中英文稠浊识别。这一点,在主播点歌的时候是常用功能,比如快手用户喜好的《野狼disco》,歌名既有中文又有英文,必须精确的识别出来,既要办理这种中英切换时的协同发音问题,又要办理中英文演习样本的不屈衡问题。
因此,快手技能团队采取了基于循环神经网络的序列建模方法,对中英双语音节进行建模。音节的发音特色相对稳定,理论上能缓解协同发音的问题,但音节建模增加了发音单元的长度,对模型能力哀求更高。还引入了具备下文语境的门控循环单元,有效地办理了中英稠浊识别的问题。
末了,主播下完命令之后小快要回话,就涉及到了语音合成的问题。
小快的声音很可爱,活泼而清脆,但如果直策应用业界常用的16kHz采样率,无法保留这一音色特点。因此,快手技能团队提出了一种超宽频带神经网络声码器,对超宽频带也进行了建模。
超宽频带的频谱特色随机性强,增加了神经网络的学习难度。并且合成同样韶光长度的音频旗子暗记,须要预测更多的采样点,这须要模型捕捉更长的序列依赖关系。
为此,快手的算法工程师对神经网络声码器进行了深度优化,在同样的合成速率条件下,合成音频具有更高的音质,小快音色通亮清脆的特点得到了较高的还原。
此外,除了措辞语音干系技能,小快作为一只3D宠物,也须要视觉上的优化。
由于直播本身就花费了手机的大量资源,同时还须要渲染3D形象,留给渲染3D形象的资源就非常有限了。
那么,如何利用有限资源,渲染出形象丰富立体、光影效果真实、动作流畅的小快呢?
快手技能团队优化了美术资源,将包含所有的动作表情、模型和贴图在内的小快数据包压缩到了2M旁边,并采取资源异步加载来提升效率。为了减少GPU花费,减少了渲染API调用次数,优化渲染整体逻辑,利用假阴影方案更换实时阴影打算。
其余,考虑到用户机型不同,许多用户可能用的是相对低真个手机,快手技能团队针对不同机型做了性能降级适配、异步加载,不断调优性能与效果的平衡点,以达到最优效果。
小快背后的团队此前业界更熟习快手的图像技能团队,但快手AI语音技能团队人才积累也不容小觑。
快手的语音技能早有布局,三年前就成立了语音交互、音频内容理解的技能团队,成员紧张来自清华、中科院、哈工大、西工大的语音实验室,以及微软、三星、BAT这些大厂,目前紧张技能方向包括语音识别、语音合成、音乐理解与天生、音频事宜检测等。
这样专业的人才团队做了许多业界创始的运用。
比如视频剪辑运用快影,借助快手自言的语音识别技能,它可以向所有用户供应免费的视频自动加字幕功能。
还有快手音悦台,利用算法从主播的直播过程中自动剪辑、筛选精彩的唱歌片段,制作成为歌唱精选内容,这样,音乐主播就无需手动整理素材剪辑就有现成可发布的内容,而喜好音乐的用户也有了不雅观看精彩内容的入口。
直播领域一向竞争激烈,小快的涌现,想必是对用户体验和平台粘性的进一步提升。
而在快手先行之后,语音机器人或许会是直播界的一股新风潮。
传送门末了,小快智能宠物用到的不少技能,快手已经公开拓表,为大祖传送论文如下:
The Speechtransformer for Large-scale Mandarin Chinese Speech Recognition
自把稳力机制的语音识别
作者:Yuanyuan zhao, Jie Li, Xiaorui Wang, Yan Li
https://ieeexplore.ieee.org/document/8682586
Gated Recurrent Unit Based Acoustic Modeling with Future Context
基于门控循环单元的声学建模
作者:Jie Li, Xiaorui Wang, Yuanyuan Zhao, Yan Li
https://arxiv.org/abs/1805.07024
Automatic Singing Evaluation without Reference Melody Using Bi-dense Neural Network
利用双密度神经网络的无参考旋律的自动歌唱评估
作者:Ning Zhang, Tao Jiang, Feng Deng, Yan Li
https://ieeexplore.ieee.org/document/8682665
— 完 —
量子位 QbitAI · 头条号签约
关注我们,第一韶光获知前沿科技动态