多模態(tài)技術(shù)幫助用戶更好地表達(dá)與記錄

1、語音轉(zhuǎn)文字打造便捷字幕生成體驗

在視頻中，對音頻部分的理解是視頻信息傳遞的重要部分?？焓稚嫌泻芏嘁哉Z言講述為核心的視頻，需要大量匹配的字幕輔助觀看。視頻字幕制作其實是一件工作量很大的事情，一般需要在電腦前使用專業(yè)的編輯軟件手動逐個輸入文字。而如果通過語音識別技術(shù)，把語音直接轉(zhuǎn)成文字，就可以很輕松地通過手機(jī)編輯生成一個帶字幕的視頻。

對視頻進(jìn)行語音轉(zhuǎn)寫時，面臨以下的技術(shù)難點(diǎn)：首先，拍攝視頻時，麥克風(fēng)和說話者之間的距離比較遠(yuǎn)，語音信號因為傳輸距離遠(yuǎn)產(chǎn)生衰減，同時麥克風(fēng)對環(huán)境噪聲的抑制能力也會減弱，造成語音信號弱，背景噪聲強(qiáng)的現(xiàn)象；其次，在房間內(nèi)拍攝時，可能因墻壁對語音信號的反射造成混響；第三，快手的用戶包括了全國各個區(qū)域，自然地包括了多樣的口音；最后，短視頻的內(nèi)容種類豐富，表達(dá)方式隨意，有些視頻還有很強(qiáng)的韻律起伏。這些因素都會影響語音識別系統(tǒng)的準(zhǔn)確率?？焓轴槍@些問題，研發(fā)了語音質(zhì)量檢測、單通道混響消除、噪聲掩蔽建模等多種技術(shù)，以及通過序列化建模方法提升多種口音的識別準(zhǔn)確率。

2、語音合成實現(xiàn)個性化配音

在視頻配音方面，如果用戶不喜歡男性配音，而希望實現(xiàn)女性配音的效果，就可以通過語音合成技術(shù)滿足個性化的訴求。

語音識別及合成技術(shù)都會使記錄的過程變得更加便捷、有趣，但這兩項技術(shù)在做視覺或者多媒體的圈子里面關(guān)注度不是特別高，在語音圈子里面，語音識別、語音合成也往往是兩波人在做。

隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)，語音識別和合成其實在某種程度上可以看做是非常對稱的兩個問題，因為語音識別是從語音到文字，語音合成是從文字到語音。語音識別，我們提取一些聲學(xué)的特征，經(jīng)過編碼器或者 Attention 的機(jī)制，實現(xiàn)從語音到文字的轉(zhuǎn)化；語音合成的技術(shù)和算法，其實也涉及編碼器或者 Attention 的機(jī)制，二者形成了比較對稱的網(wǎng)絡(luò)。所以我們把語音識別和合成看成是一個模態(tài)轉(zhuǎn)換的特例，從神經(jīng)網(wǎng)絡(luò)建模角度來看，是一個比較一致、容易解決的問題。快手的語音識別、語音合成技術(shù)原理圖如下：

3、根據(jù)視頻內(nèi)容自動生成音樂

音樂也是短視頻非常重要的一部分，為一個場景匹配合適的音樂并非易事。過去，有不少用戶在拍攝時為了與音樂節(jié)拍一致，努力配合音樂節(jié)奏拍攝，極大限制了拍攝的自由度?？焓窒Ｍ脩艨梢噪S意按照自己的方式錄制視頻，對用戶拍攝的視頻內(nèi)容進(jìn)行理解后，自動生成符合視頻內(nèi)容的音樂。

利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，實現(xiàn)視覺信息到音樂要素的轉(zhuǎn)化，包括：歌曲節(jié)奏、速度、調(diào)性、情感、風(fēng)格、動機(jī)等。例如：將視頻中用戶身體扭動的時間點(diǎn)與生成音樂中的「鼓點(diǎn)」位置對齊；動作快慢決定歌曲速度等。

通過上述音樂要素，從備選曲庫中篩選合適的樂譜組成旋律空間。音樂的動機(jī)是由幾個小節(jié)組成的旋律片段，它是音樂的核心，整首歌曲都圍繞動機(jī)展開。在自動編碼器網(wǎng)絡(luò)中，動機(jī)被表示為一個向量，旋律空間被表示為若干的向量序列。在動機(jī)與旋律空間的約束下進(jìn)行采樣，生成新的向量序列，再通過解碼網(wǎng)絡(luò)生成新的旋律。同樣的動機(jī)，在相同的旋律空間下，也可以生成情感、風(fēng)格相似，但表現(xiàn)上又有差異的音樂作品。常見的 AI 旋律生成算法，難以保存作曲手法，生成較長的旋律片段時，整個作品的走勢會難以控制。采用旋律空間加動機(jī)的方式，能夠有效解決該問題。對旋律進(jìn)行自動化的配器和混音，最終生成符合視頻內(nèi)容的音樂作品。

音樂生成涉及很多具體的技術(shù)，其中一個問題是懂音樂的人不懂計算機(jī)科學(xué)，懂計算機(jī)科學(xué)的人不懂音樂。想要把短視頻配樂這個問題研究好，需要有做音樂和做 AI 的人一起集成創(chuàng)新，這方面快手也做了非常多的工作。

4、2D 圖像驅(qū)動 3D 建模實現(xiàn) Animoji 效果

iPhoneX 問世時的一項標(biāo)志性功能，是通過結(jié)構(gòu)光攝像頭實現(xiàn) Animoji，現(xiàn)在國內(nèi)手機(jī)廠商也越來越多地采用結(jié)構(gòu)光的方式去實現(xiàn) Animoj。而快手是國內(nèi)較早實現(xiàn)不使用結(jié)構(gòu)光，只用 RGB 圖像信息就實現(xiàn) Animoji 效果的企業(yè)。

用戶不必去花上萬元去買 iphoneX，只要用一個千元的安卓手機(jī)，就可在快手的產(chǎn)品上體驗 Animoji 的特效，從而能夠在不暴露臉部信息的同時展現(xiàn)細(xì)微的表情變化，例如微笑、單只眼睛睜單只眼睛閉等，讓原來一些羞于表演自己才藝的人，也可以非常自如地表達(dá)。

其實解決這樣一個問題是非常難的，即使是蘋果，也采用了結(jié)構(gòu)光這樣配置額外硬件的方式來解決。想讓每一個用戶都能享受到最尖端的技術(shù)，快手面臨著硬件的約束，只能通過 2D 的 RGB 視覺信息對問題進(jìn)行建模、求解。

整個模擬人臉的過程借助了 3D 結(jié)構(gòu)恢復(fù)與 3D 信息融合，用 3D 重建技術(shù)恢復(fù)出 3D 結(jié)構(gòu)，融合 2D 信息后，分析人臉特征，進(jìn)而生成虛擬形象。

3D 人臉重建需要借助快手內(nèi)部的上萬級 3D 人臉數(shù)據(jù)集，包含每個人的年齡段、人種、臉型和表情，通過人臉關(guān)鍵點(diǎn)識別技術(shù)，幫助 3D 人臉重建，不論表情是哭是笑都可以重現(xiàn)出來。

此外，生成虛擬形象還要分析用戶的人臉屬性，借助分類 / 回歸 / 分割等方法，區(qū)分出性別、年齡、膚色、臉型等信息。

之后，因為生成的 3D 卡通圖像是會隨著人的表情而變化的，需要分析人臉表情，才能在卡通形象上展示出一模一樣的表情。

這里需要通過 2D 的 RGB 視覺信息對問題進(jìn)行建模求解，獲得人臉關(guān)鍵點(diǎn)和實時重建的 3D 模型，把各種模態(tài)信息做建模、做對齊，求解出人臉的表情，驅(qū)動虛擬卡通形象做各種逼真的動作。

此外，快手 Animoji 的體驗非常流暢，也需要?dú)w功于深度神經(jīng)網(wǎng)絡(luò)模型的量化。為了讓模型在手機(jī)端流暢運(yùn)行，需要進(jìn)行圖像預(yù)處理，合并多種預(yù)處理操作，對預(yù)處理的圖像內(nèi)存進(jìn)行統(tǒng)一分配和回收，利用 NEON 加速和蘋果自帶的 accelerate 加速，讓運(yùn)行庫只占 2M 的空間。

最后，在保證預(yù)測精度的前提下，快手技術(shù)團(tuán)隊對 AI 模型進(jìn)行局部的 INT8 量化，使得運(yùn)行速度可提高 1 倍以上，同時 AI 預(yù)測模型的占用空間也壓縮到將近原來的四分之一。

多模態(tài)技術(shù)如何實現(xiàn)精準(zhǔn)理解視頻內(nèi)容？

除了幫助用戶更好地記錄，快手也希望通過一個更好的分享機(jī)制，讓用戶發(fā)布的視頻能夠被更多感興趣的人看到，這也涉及視頻推薦里面多模態(tài)的一些問題，其中有兩點(diǎn)值得分享：

第一，我們強(qiáng)調(diào)音頻和視覺的多模態(tài)綜合的建模，而不是僅僅是單獨(dú)的視覺或者音頻，視覺和聽覺兩種媒體的融合，會是未來一個重要趨勢。

第二，工業(yè)界和學(xué)術(shù)界所做的研究有很大區(qū)別，快手有非常多的用戶數(shù)據(jù)，這些用戶數(shù)據(jù)是不在傳統(tǒng)多媒體內(nèi)容研究范疇里面的，但是工業(yè)界可以很好地利用這些數(shù)據(jù)，更好地做內(nèi)容理解。

舉個例子，一個男子表演口技的視頻中，如果關(guān)閉聲音，僅憑畫面信息，我們并不知道他是在做什么，可能會覺得是在唱歌或唱戲。這說明如果僅僅是通過視覺的話，人們可能無法獲得真實的信息。我們對世界的理解一定是多模態(tài)的理解，而不僅僅是視覺的理解。

快手?jǐn)?shù)據(jù)庫中有 80 億短視頻，想要理解這么多的視頻內(nèi)容，必須借助多模態(tài)技術(shù)。我們從文本、視覺、聽覺角度去做了很多單模態(tài)的建模，包括多模態(tài)的綜合建模、有序與無序，以及多模態(tài)特征之間怎樣進(jìn)行異構(gòu)的建聯(lián)，在很多任務(wù)內(nèi)部的分類上也做了改進(jìn)。

另一方面需要強(qiáng)調(diào)的是，ImageNET 等很多學(xué)術(shù)界研究內(nèi)容理解的任務(wù)有完善的標(biāo)注數(shù)據(jù)集，但是這個數(shù)據(jù)集對于工業(yè)界而言還是太小，且多樣性不夠?？焓置刻煊?1.6 億用戶、超過 150 億次的視頻播放，這個數(shù)據(jù)是非常大的。如果有 150 億的標(biāo)注數(shù)據(jù)，做算法就會有很大的幫助，但是現(xiàn)實上是不具備的。

怎樣將研究分析技術(shù)與海量數(shù)據(jù)更好地做到融合？快手通過融合行為數(shù)據(jù)和內(nèi)容數(shù)據(jù)，進(jìn)行綜合建模。同樣大小的人工標(biāo)注量，利用海量的用戶行為數(shù)據(jù)，能夠獲得比純內(nèi)容模型更好的性能，對視頻有了一個更好的理解，進(jìn)而在多媒體內(nèi)容的理解和分析方面的算法研究有了非常大的進(jìn)展。

多模態(tài)技術(shù)研究的三個難點(diǎn)：語義鴻溝、異構(gòu)鴻溝、數(shù)據(jù)缺失

其實在目前來看，多模態(tài)研究難度還是非常高的。

其中大家談得比較多的是語義鴻溝，雖然近十年來深度學(xué)習(xí)和大算力、大數(shù)據(jù)快速發(fā)展，計算機(jī)視覺包括語音識別等技術(shù)都取得了非常大的進(jìn)展，但是截至現(xiàn)在，很多問題還沒有得到特別好的解決，所以單模態(tài)的語義鴻溝仍然是存在的。
再者，由于引入了多種模態(tài)的信息，所以怎樣對不同模態(tài)之間的數(shù)據(jù)進(jìn)行綜合建模，會是一個異構(gòu)鴻溝的問題。

另外，做語音、做圖像是有很多數(shù)據(jù)集的，大家可以利用這些數(shù)據(jù)集進(jìn)行刷分、交流自己算法的研究成果。但是多模態(tài)的數(shù)據(jù)集是非常難以構(gòu)建的，所以我們在做多模態(tài)研究時是存在數(shù)據(jù)缺失的問題的。

多模態(tài)技術(shù)的未來應(yīng)用方向展望

首先，多模態(tài)技術(shù)會改變?nèi)藱C(jī)交互的方式，我們與機(jī)器交互的方式將會越來越貼近于更令人舒適、更自然的方式。比如我們剛才講的 Animoji 技術(shù)，其實它帶來的是一種可以通過人臉控制手機(jī)自動生成 Avatar（虛擬動畫）的體驗。原來實現(xiàn)這些效果，需要在好萊塢專門設(shè)一個特效室來實現(xiàn)這一點(diǎn)，而現(xiàn)在普通用戶都能享受這樣的技術(shù)，所以人機(jī)交互會由原來重的、貴的、笨的方式轉(zhuǎn)變?yōu)楸阋说摹⒚總€人都能參與的而且便捷的方式。

第二，多模態(tài)技術(shù)會帶來新的內(nèi)容形態(tài)，原來接入信息更多是從文本、頁面中獲得，現(xiàn)在有視頻，未來可能還會有 AR 或者其它的形式。多模態(tài) AR 很重要的一點(diǎn)就是強(qiáng)調(diào)沉浸感，這種沉浸感其實是通過聽覺和視覺綜合作用才能產(chǎn)生的。

第三，多模態(tài)亟需新的算法和大型的數(shù)據(jù)，因為這兩者可能會是一個某種意義上可以相互折算的問題。以目前的機(jī)器學(xué)習(xí)算法來講，需要海量的數(shù)據(jù)才能解決好這個問題，因為現(xiàn)在深度學(xué)習(xí)、內(nèi)容理解的成果，某種意義上是監(jiān)督學(xué)習(xí)的成果，有足夠的樣本、算力，所以現(xiàn)在的算法能力基本上還停留在對算力和數(shù)據(jù)有著非常大要求的階段。而多模態(tài)的大型數(shù)據(jù)是非常難建的，而且多模態(tài)解的空間是更大的。因為一個模態(tài)解的空間是 n，另外一個是 m，它最后是一個乘積、一個指數(shù)級的變化，所以數(shù)據(jù)集要多大才足夠是一個很難的這個問題，可能需要新的算法來對這個問題進(jìn)行建模。