你是否想過，當(dāng)人類面對面交流時，我們的注意力更多地被放在哪里？

第一直覺或許是眼睛。它們是心靈的窗戶，能夠傳達出細微而生動的情感�？茖W(xué)研究也證實的確如此，在日常對話中，我們會頻繁地注視對方的眼睛來捕捉情緒信號。

不過，當(dāng)環(huán)境變得嘈雜時，情況就有所不同了。研究表明，在噪音環(huán)境下，人們會將 50%-55% 的注意力轉(zhuǎn)向?qū)υ捳叩淖齑�，傾向于通過唇形來輔助理解對方在說什么。

這也解釋了為什么即便是目前最先進的人形機器人，仍然讓人在和它們面對面交流時感到不適。我們可以容忍它們笨拙的步態(tài)，甚至僵硬的手勢，但當(dāng)一張接近人類的面孔無法自然地活動時，就會生發(fā)出一絲詭異感。這就是機器人領(lǐng)域著名的"恐怖谷效應(yīng)"——越接近人類卻又不夠完美的機器，反而會引發(fā)更強烈的排斥感。

在致力機器人如何跨越“恐怖谷”效應(yīng)的道路上，首形科技是積極的拓路者之一。這家由哥倫比亞大學(xué)博士胡宇航創(chuàng)立的初創(chuàng)公司，自成立起便選擇了一條與眾不同的技術(shù)路徑：不追求機器人在運動或操作能力上的極致性能，而是聚焦于賦予它們具有情緒表達能力的面部。過去一年多，這一方向為他們贏得了多輪融資，并且收獲了社交媒體和市場的廣泛關(guān)注。

圖 | 胡宇航與人臉機器人 Emo (來源:受訪者)

1 月 15 日，Science Robotics 封面刊發(fā)了胡宇航團隊關(guān)于 Emo 面部機器人的研究，展示了其如何通過學(xué)習(xí)實現(xiàn)與語音、歌曲同步的唇部運動，這也是 Science Robotics 首次將人臉機器人刊登在封面。這項工作源于他在哥倫比亞大學(xué)的博士研究，也是他近兩年在 Science 和 Nature 子刊上發(fā)表的第三篇論文。

（來源：Science Robotics）

嘴唇運動被低估的復(fù)雜性

“嘴唇是人們交互過程中動作最多的部位, 也是機器人從表情自然到交互自然非常重要的門檻�！焙詈礁嬖V DeepTech，嘴唇運動的復(fù)雜性遠超多數(shù)人的想象，甚至超出了機器人研究者此前的認知。

從技術(shù)角度看，這種復(fù)雜性首先體現(xiàn)在驅(qū)動機制上。與眉毛等單一方向運動的面部特征不同，嘴唇由多個肌肉群驅(qū)動，運動過程中存在頻繁的接觸與分離。同時，嘴唇對時間精度極為敏感，還需同步承載語言、情感與社交信號。胡宇航指出：“這使得嘴唇運動的建模從根本上超越了參數(shù)化控制，成為一個高維、非線性、強閉環(huán)的生成式形變問題。”

（來源：論文）

既然如此，面對如此復(fù)雜的任務(wù)，如何客觀衡量機器人嘴唇運動的“真實性”呢？

胡宇航團隊在論文中提出了一種創(chuàng)新方法：使用合成參考視頻作為理想同步基準，在 VAE 編碼器的潛空間中計算機器人嘴唇運動與參考視頻之間的距離。該指標能夠刻畫整體嘴型動態(tài)與時序結(jié)構(gòu)的偏差，避免了依賴易受噪聲干擾的二維關(guān)鍵點。由此，研究者獲得了一個客觀的度量標準，可以在連續(xù)語音與多語言場景下評估音頻-視覺同步誤差。

這可以說是創(chuàng)新的一步。因為此前，機器人領(lǐng)域?qū)ψ齑酵降膰L試主要依賴手工預(yù)定義的運動規(guī)則和固定的音素-視位映射表。簡單來說，就是為每個音素設(shè)計一套固定嘴型，再讓機器人機械執(zhí)行。

但這種方法存在明顯的局限。胡宇航列舉了幾個關(guān)鍵問題：首先，同一音素的發(fā)聲速度會因說話人、場景或情緒而異。例如，一個人在激動和平靜狀態(tài)下說出的“好”，雖然音素相同，但嘴唇運動的幅度、速度和形態(tài)可能截然不同。其次，在多語言、歌唱或方言等場景中，基于音素設(shè)計規(guī)則需要投入巨大的手工工作量。更關(guān)鍵的是，當(dāng)機器人硬件升級時，所有動作幾乎都要重新編排，難以復(fù)用。

此外，這種規(guī)則方法還隱含了一個假設(shè)：音素與嘴型之間存在著穩(wěn)定、一對一的映射關(guān)系。但這顯然與真實人類發(fā)音機制并不相符。實際上，同一音素的嘴唇運動在不同說話人、語速、情緒和語境下都存在顯著差異，其時序、幅度和形態(tài)高度連續(xù)且上下文相關(guān)。

將這種連續(xù)性強行離散化為固定規(guī)則，必然丟失大量信息。規(guī)則方法也無法建模嘴唇作為軟體器官所具有的非線性、并行驅(qū)動和跨時間依賴特性，最終只能生成“正確但僵硬”的嘴型序列。

相比之下，數(shù)據(jù)驅(qū)動方法能夠從真實人類與機器人發(fā)音數(shù)據(jù)中學(xué)習(xí)復(fù)雜的統(tǒng)計規(guī)律與隱含約束。胡宇航表示：“這從根本上突破了規(guī)則方法在泛化性、可擴展性和自然性上的瓶頸�！�

想要更像人，機器人需要“照鏡子”

為了讓機器人更精準地復(fù)刻學(xué)習(xí)人類的嘴唇動作，胡宇航團隊巧妙地設(shè)計了兩階段“自監(jiān)督學(xué)習(xí)系統(tǒng)”（Self-Supervised Learning, SSL）：第一階段，機器人通過“照鏡子”建立自我模型；第二階段，它觀看人類視頻學(xué)習(xí)嘴唇運動規(guī)律。

圖 | 用于機器人唇部同步的自監(jiān)督學(xué)習(xí)框架（來源：論文）

“兩階段設(shè)計的核心原因在于機器人與人類在外觀、結(jié)構(gòu)和運動約束上的本質(zhì)差異�！焙詈浇忉尩馈Ｈ籼^第一階段，直接讓機器人模仿人類視頻，將不可避免地學(xué)習(xí)到大量自身硬件無法執(zhí)行的形變模式，例如人類皮膚的滑移、唇齒細節(jié)或肌肉驅(qū)動方式。這些錯誤映射最終會導(dǎo)致機器人動作失真、抖動或被系統(tǒng)性削弱。

第一階段的“照鏡子”訓(xùn)練，目的并非學(xué)習(xí)表情本身，而是讓模型明確“哪些運動在自身硬件與軟體結(jié)構(gòu)下是可實現(xiàn)的”。通過隨機生成數(shù)千個面部表情并觀察鏡中反饋，系統(tǒng)建立起從視覺變化到自身可控空間的映射關(guān)系，為后續(xù)學(xué)習(xí)提供物理可行性的約束。

在具備自我模型的基礎(chǔ)上，第二階段引入人類視頻的作用變得清晰：機器人學(xué)習(xí)人類嘴唇運動的統(tǒng)計規(guī)律與高層時序結(jié)構(gòu)，并通過自我模型將這些規(guī)律投射到自身可執(zhí)行的動作空間中�！斑@本質(zhì)上是先解決‘我是誰、我能怎么動’，再解決‘人類是如何動的’�！焙詈秸f。該策略有效避免了跨形態(tài)直接模仿帶來的域錯配問題，是實現(xiàn)自然、穩(wěn)定且可泛化嘴唇運動的關(guān)鍵前提。

圖 | 團隊機器人 Emo 照鏡子（來源：胡宇航）

出色的跨語言泛化能力

實驗結(jié)果展示了這套系統(tǒng)的出色泛化能力：它能在 11 種語言中實現(xiàn)自然的嘴唇同步，包括英語、法語、日語、韓語、西班牙語、意大利語、德語、俄語、中文、希伯來語和阿拉伯語。

圖 | 多語言口型同步性能的測試結(jié)果（來源：論文）

這種神奇的"跨語言"能力從何而來？胡宇航解釋道：“系統(tǒng)并未學(xué)習(xí)語言或音素本身，而是學(xué)習(xí)了人類發(fā)音過程中更底層的肌肉運動模式�！痹趦呻A段自監(jiān)督框架下，模型首先熟悉機器人自身嘴唇能做出哪些動作；隨后在觀看人類視頻時，它不再關(guān)注具體是哪種語言、哪個發(fā)音，而是去捕捉聲音節(jié)奏與嘴唇動作之間那些跨越語言邊界的共性規(guī)律。

“這些關(guān)系在不同語言中表現(xiàn)為高度一致的運動模式，比如張合節(jié)律、閉合-釋放結(jié)構(gòu)、過渡速度等。”換句話說，雖然各種語言的發(fā)音規(guī)則千差萬別，但人類嘴唇的運動方式終究受限于相同的生理結(jié)構(gòu)。正因如此，系統(tǒng)學(xué)到的是聲音與動作之間更本質(zhì)的對應(yīng)關(guān)系，使它能夠自然地適應(yīng)多種語言，甚至應(yīng)對不同的語速和說話風(fēng)格。

盡管成果顯著，胡宇航坦言系統(tǒng)仍面臨技術(shù)挑戰(zhàn)，其中最典型的是硬輔音（如 /b/、/p/、/m/、/w/）的處理。這些音素之所以棘手，不僅因為發(fā)音速度快，更因為它們同時涉及多重難以精確建模的約束條件。

以 /b/、/p/、/m/ 為例，發(fā)這幾個音時，嘴唇需要在極短時間內(nèi)完成“閉合—保持—釋放”這一連串動作。閉合不夠緊或時機稍有偏差，人耳立刻就能察覺異樣。而 /w/ 更為復(fù)雜，不僅要求雙唇閉攏，還需要嘴唇前突、形成圓形，同時配合口腔形狀的連續(xù)變化。胡宇航補充，這意味著模型必須在毫秒級時間精度下，協(xié)調(diào)多個高度耦合的自由度，同時應(yīng)對軟體接觸、非線性阻尼以及電機帶寬限制等物理因素。

與元音或軟輔音那種平滑漸變的動作不同，硬輔音更像是一種"開關(guān)式"的動作——既有連續(xù)的運動軌跡，又有瞬間的接觸切換。這恰恰是當(dāng)前數(shù)據(jù)驅(qū)動模型最容易出錯、機器人執(zhí)行難度最高的地方。

從實驗結(jié)果來看，當(dāng)前方法在一些極端語音場景下表現(xiàn)欠佳，比如語速極快、多人同時說話、歌唱中的顫音，以及情緒激動時的表達。胡宇航認為，這反映了方法的本質(zhì)邊界："模型主要學(xué)習(xí)的是典型對話語境下聲學(xué)時序與嘴唇運動之間的關(guān)系。"一旦輸入偏離日常對話的范疇，系統(tǒng)性能便會下降。

不過他也指出，這些失效案例恰恰為未來研究指明了方向：“這也為我們引入更豐富的對話與語音場景提供了思路。”隨著訓(xùn)練數(shù)據(jù)的豐富和模型能力的提升，這些邊界場景的處理能力有望逐步改善。

在采訪最后，DeepTech 問及這項技術(shù)是否會從唇部動作擴展到整個面部表情系統(tǒng)。

“會的�！焙詈浇o出肯定回答，“我們團隊的最終目標，是實現(xiàn)完整的類人交互。”如何協(xié)調(diào)唇部動作與眼神、眉毛等其他面部要素，形成統(tǒng)一而細膩的情感表達，正是團隊下一步要攻克的方向。這不僅是技術(shù)上的自然延伸，更是對人機交互本質(zhì)的深度探索。當(dāng)機器人能夠用整張臉來表達和理解情緒時，它與人類的關(guān)系將發(fā)生更深刻的轉(zhuǎn)變。

論文地址：DOI: 10.1126/scirobotics.adx3017

營/排版：何晨龍