撰文 | 懂懂

編輯 | 秦言

來源：懂懂筆記

谷歌在2015年曾預測：“未來互聯(lián)網(wǎng)世界80%的內(nèi)容將是以視頻形式呈現(xiàn)的。”

未來已來！十年前的預判在今天幾乎全部實現(xiàn)。不僅如此，視頻在工作生活中的滲透率不斷提升，并且過去一年中又有很多全新視頻體驗來到我們身邊：

AIGC可以快速生產(chǎn)短劇，抖音聯(lián)合博納影業(yè)出品的《三星堆：未來啟示錄》一上線，便獲得了驚人的1.4億次播放量；

奧運會期間裸眼 3D 觀賽、VR 直播觀賽已成為現(xiàn)實，PICO 還為用戶全新打造了巴黎奧運會觀賽場景；

游戲《黑神話：悟空》爆火，為全球玩家提供了一場虛實融合的 中國文化盛宴，并且?guī)Щ鹆艘槐娋€下旅游打卡圣地；

在15日火山引擎與intel聯(lián)合舉辦的“視頻云技術(shù)大會”上，火山引擎總裁譚待就以數(shù)字分身的形式出現(xiàn)，采用豆包語音合成模型和形象驅(qū)動算法，達到真人級別的效果，整個演講過程看上去非常自然、逼真……

所有這些創(chuàng)新應用的背后，都是AI帶來的顛覆性變化。當下，數(shù)字視頻時代已經(jīng)向AI視頻時代躍遷，用戶的需求也在從更流暢、更實時、更高清——升級為更智能、更交互、更沉浸。而要實現(xiàn)這些“更……”，依賴的就是生產(chǎn)、交互、消費等全鏈路的AI升級。

智能生產(chǎn)，多模態(tài)使能高品質(zhì)

正如譚待所描述的，“視頻正迅速崛起為人類的第二語言，其豐富的表達手段和效果遠超傳統(tǒng)文字，為我們提供了更多元、更生動的交流方式?！?/p>

隨著視頻的重要性不斷提升，生產(chǎn)端的挑戰(zhàn)便是如何以更少的時間、更低的成本生產(chǎn)出更高質(zhì)量的內(nèi)容。

比如在電商領域，過去一年中短視頻、直播、數(shù)字人占比越來越高。好的內(nèi)容可以吸引用戶的注意力，有效傳遞品牌信息，并且激發(fā)消費者購買決策。顯然，“好內(nèi)容”已經(jīng)成為電商平臺收益增長的第一生產(chǎn)力：優(yōu)質(zhì)內(nèi)容高效快速生產(chǎn)從而拉動商品銷量，隨著商品運營規(guī)模大幅增長，營銷成本也在大幅下滑（如上圖）。

火山引擎的多模態(tài)電商素材生成方案，通過融合圖像分析、AIGC（人工智能生成內(nèi)容）、大模型處理、3D物體重建等先進技術(shù)，實現(xiàn)了商品氛圍圖、圖文視頻、解說視頻、AIGC視頻和3D商品模型等多模態(tài)營銷素材的自動化生。

其帶來的效果是門檻大幅降低：商家只需要提供基礎信息和一些簡單的多模態(tài)素材，就可以自動提取賣點、智能裁剪、自動生成視頻。舉些例子，比如輸入乳飲產(chǎn)品的受眾、產(chǎn)地、營養(yǎng)成分，就可以自動生成一張首銷圖或是一段營銷視頻；比如把服裝的圖片上傳，就可以自動生動模特上身的效果圖；比如上傳商品信息之后，可以自動生成一系列內(nèi)容匹配直播、短視頻、貨架等不同場景需求?；鹕揭娴亩嗄B(tài)電商素材生成方案，端到端自動化讓素材生成更智能、更快捷、更個性。

不止于電商，在短劇、賽事、演出等各種場景，也都有海量的自動化生成內(nèi)容需求，比如短劇的宣發(fā)，演出的切片傳播，賽事的精彩瞬間等等?；鹕揭嬉曨l云推出的多模態(tài)視頻理解與生成方案，依托多媒體實驗室自研的AI視頻理解技術(shù)和AIGC技術(shù)，實現(xiàn)了視頻高光的自動化提取和解說內(nèi)容的生成。一場精彩的演出，可以快速切出多個短片，短劇可以快速生成多段不同視角的預告片，顯著縮短了制作周期，大幅降低傳播、宣傳的成本。

我們知道，聲音是視頻中的關(guān)鍵要素， 火山引擎視頻云提供的跨語言同聲復刻直播服務，可以實現(xiàn)自動配音、自動匹配字幕，還可以聲音復刻。比如在直播中可以使用豆包大模型Seed-ASR，除了能自動打出 字幕，還支持中文、英語、日語、西班牙語、印尼語、葡萄牙語等多國語言輸出。在虛擬人的直播中，可以高度還原人聲特點、說話風格，還可以調(diào)整演講者口型，讓觀感更加自然。以“視頻云技術(shù)大會”活動為例，出現(xiàn)在講臺上的“數(shù)字人譚待”，無論是體態(tài)、表情還是聲音、語氣，都實現(xiàn)了對真人的高品質(zhì)復刻，令人驚羨。

在新視界時代，生產(chǎn)端的挑戰(zhàn)是如何以更少的時間、更低的成本生成多角度、高信息密度的優(yōu)質(zhì)內(nèi)容。火山引擎通過AI賦能，推出一系列解決方案從而推動了生產(chǎn)力變革：多模態(tài)內(nèi)容根據(jù)用戶需求自動生成，智能生產(chǎn)讓創(chuàng)作者的創(chuàng)意得以充分釋放，多模態(tài)內(nèi)容的生產(chǎn)與處理已經(jīng)變得觸手可及。

智能交互變革，給AI加點“人味兒”

隨著去年大模型火爆之后，與AI交互的應用開始興起。比如手機中的智能助理已經(jīng)成為用戶與手機溝通的主要方式，很多“I人”不喜歡線下社交，更喜歡與AI聊天機器人互動，現(xiàn)在我們撥打客服電話時很大比例都是機器人在提供服務。

舉個例子，AI陪伴已經(jīng)開始走進日常生活，并且不僅局限文本交流，而是以數(shù)字人化身的形式出現(xiàn)，實現(xiàn)了實時語音對話。作為AIGC原生產(chǎn)品，AI陪伴目前的市場熱度極高，已經(jīng)是當下人工智能領域成長最快速的賽道之一。據(jù)數(shù)據(jù)網(wǎng)站Insightrackr統(tǒng)計，AI陪伴類產(chǎn)品從今年二季度開始（特別是5月到7月），每月的下載量較上月平均增加94%。

萌寶是一家國內(nèi)領先的幼兒娛樂啟蒙音視頻內(nèi)容平臺，為用戶提供兒歌、故事、繪本、語言、認知、科學、藝術(shù)等多個領域內(nèi)容。兒童在平臺上學習、娛樂的同時，高質(zhì)量、有溫度的AI互動可以令用戶體驗大幅提升：新奇有趣的體驗讓他們更專注；個性化情感陪伴使其收獲理解與關(guān)懷；邊聊邊學的益智啟蒙互動使得學習效果更好。

平臺一直想為兒童定制一個AI伙伴，這其中存在諸多挑戰(zhàn)：語音響應延時要低，遇到打斷情況要能自然處理，IP角色音色要貼合，要能真正理解兒童的需求并給出恰當?shù)囊龑А?/p>

總體來講，AI陪伴領域存在技術(shù)難度高、成本高、效果難保障等痛點。萌寶最終選了火山引擎AI實時交互方案。方案通過火山引擎豆包大模型和視頻云RTC技術(shù)實現(xiàn)了語音數(shù)據(jù)的高效采集、處理和傳輸，并在服務端為用戶提供了智能對話和自然語言處理的強大能力：毫秒級人聲檢測和打斷響應，以及絲滑穩(wěn)定的端到端響應體驗。

萌寶對最終的應用效果十分滿意：實時響應，互動非常自然，即使交流中被孩子打斷也可以智能地續(xù)接，AI的音色親切且情緒飽滿，給孩子們帶來有感情還有趣的陪伴。最重要的是，系統(tǒng)能夠很精準地理解孩子的需求，提供相應的回復與引導。

這個解決方案源自豆包大模型與實時音視頻技術(shù)，用戶不僅能用語音與AI進行交談，還能像平時說話一樣，在對話過程中適時打斷或插話，對整體交流的質(zhì)量也不受影響。經(jīng)過升級后的AI聲音相較以往而言更具表現(xiàn)力和感情色彩，對話也因此更自然、更真實、更流暢。

誠然，人與AI交互的實現(xiàn)并不難，但要做好卻非常難。首先要實現(xiàn)功能價值，就是要精準理解用戶的需求是什么；其次還要提供情緒價值，在理解用戶意圖的基礎上，用最自然、最舒服的方式與用戶進行交流互動。

火山引擎對話式AI實時交互解決方案讓智能交互的生產(chǎn)更簡單，這也助力客戶可以針對不同場景不斷創(chuàng)新應用。目前這套方案已經(jīng)普遍被企業(yè)用來定制智能助手、AI社交陪伴、兒童學習陪伴、AI教育、智能客服等服務。其中社交領域最為典型：用戶不僅能夠個性化定制專屬AI Agent，還能在精心設計的劇情中與AI角色深度互動。

顯然，交互端的智能化，給AI增加了不少的“人味兒”，AI變得越來越有溫度。

智能空間，跨時空使能消弭虛實縫隙

今年游戲圈最熱的就是《黑神話：悟空》，其大受追捧的原因之一就是跨時空。

游戲通過無人機實景三維重建等前沿技術(shù)，將真實場景的紋理與細節(jié)以1:1的比例精準還原到游戲世界中，為全球玩家提供了一場虛實融合的中國風盛宴。用戶在游戲中可以沉浸式觀賞風景與體驗文化，如果愛到極致還可以來一場說走就走的線下旅游，在游戲中被復刻的36個景點，甚至串起了“黑神話旅游專線”。

實際上，2D、3D以及虛實融合的應用已經(jīng)越來越多地出現(xiàn)在人們的工作生活中。從消費端來看，時空不再有邊界，虛實融合正在引發(fā)空間智能化的變革。最近，凱文凱利（KK）預言AI帶來的顛覆第一條就是：5000天后鏡像世界將會誕生。所謂鏡像世界是依靠AR、VR、AI等技術(shù)將現(xiàn)實和虛擬世界完美融合，我們會處在一種“沉浸式計算”的時代，到處都是數(shù)字化，萬物皆可與AI相連。

針對空間智能化的需求，火山引擎視頻云推出了一系列方案：

• 基于AI的3D生成方案，用戶僅需簡單上傳所建3D內(nèi)容參考圖，自研系統(tǒng)就會自動生成關(guān)鍵視角和稀疏視角圖像，快速構(gòu)建出精確的3D幾何結(jié)構(gòu)，與傳統(tǒng)手工3D建模相比，火山引擎AIG3D方案在效率、多樣性和操作成本等方面有明顯優(yōu)勢；

• 大場景重建方案，實現(xiàn)了對真實場景的高質(zhì)量3D幾何構(gòu)建與外觀重建渲染，廣泛應用于虛擬直播，VR直播等場景中，高效率的生成三維直播布景，增強了用戶的沉浸感體驗；

• 6DoF直播方案，實現(xiàn)了高質(zhì)量、超低延時的VR沉浸體驗，已成功應用于抖音VR直播，成為業(yè)內(nèi)首個基于Apple Vision Pro的3D直播，為用戶帶來了震撼的XR體驗。

基于這些解決方案，用戶已經(jīng)切實體驗到智能空間的價值：從文化傳承的角度，火山引擎與山西高平二郎廟金代戲臺、北京正乙祠戲樓等文物單位合作，將線下珍貴文物轉(zhuǎn)換為線上的永久數(shù)字資源，并打造成虛實融合的沉浸式虛擬直播間。目前已經(jīng)應用于抖音戲曲直播場景，提升主播直播過程的沉浸感和互動感，助力非遺傳承與保護。

2024年奧運期間，PICO 還為用戶全新打造了會觀賽場景，借助于 VR 大屏，運動員的每一個動作、每一滴汗水、每一幀表情都近在咫尺，沉浸式的極致觀賽體驗讓用戶仿佛置身于賽場當中。英特爾與PICO團隊合作，依托英特爾領先的計算和渲染能力，借助火山引擎的解決方案，啟動了“何以華夏”項目，對珍貴的文化遺產(chǎn)進行虛擬再現(xiàn)和推廣，為用戶帶來沉浸式的文化體驗。

顯然，隨著AI技術(shù)的發(fā)展，空間智能化得以實現(xiàn)，用戶不再受到時間、空間的限制，消費端的智能化正在消弭物理世界與數(shù)字世界的縫隙。

【結(jié)束語】

隨著生成式AI、多模態(tài)大模型、全景直播、三維重建等技術(shù)進步，過去一年我們已經(jīng)能夠明顯感受到科技飛躍帶來的變化，我們正在迎來一個AI加持下的“新視界”。

從數(shù)字視頻時代到AI視頻時代的進化，用戶需要更智能、更交互、更沉浸的體驗，這對生產(chǎn)端、交互端、消費端都提出全新的挑戰(zhàn)。只有通過AI全鏈路賦能實現(xiàn)“三智”，才能支持未來更多模式、應用的創(chuàng)新。

火山引擎視頻云為全鏈路升級提供了強大且穩(wěn)定的音視頻技術(shù)基座，而英特爾則是強大算力的保障。英特爾? 至強? 服務器強大的CPU處理能力，從實時的高達8K的視頻處理能力，到基于 AMX 指令集的 AI 算力，從傳統(tǒng)的 CV 優(yōu)化到 LLM 和 AIGC的最新應用支持，Xeon 服務器始終為火山引擎提供了強有力的算力支撐和可靠服務。

火山引擎視頻云+英特爾? 至強? 服務器全鏈路全面賦能視頻“新視界”。

冷眼旁觀 麻辣點評 深入分析

個人觀點，僅供參考