“还有46分钟，董老师休假就结束了。”
这是董宇辉最新视频下点赞过百的一条留言。
他在东方甄选直播间消失的日子里，粉丝们涌入他的个人号，调侃“这个男人只要一放假休息，几十万人都得跟着失恋”。
然而对于头部主播来说，再怎么爱岗敬业，也总有下播的时候。
毕竟连着几个小时不断说话，还得是妙语连珠的那种，既耗费脑力，对体力也是个不小的挑战。
在这种情况之下，不仅“24小时直播”不大可能，连不轮班的长时间唠嗑也不是人人能顶得住的。
不过话说回来，如果有机器加持呢……
特别是这段时间以来虚拟人等技术的爆火，很难不让人脑洞大开——
凭借ai能力，能否做到让头部主播“本人”24小时驻守直播间？
更进一步说，是不是没有董老师的双语能力，也能语言无缝转换，直接走向国际？
24小时直播，到底难在哪？按目前实现的各种ai技术来看，这些“脑洞”并非无法实现。
在图像技术上，ai直接生成虚拟形象、或是给主播“换”个脸已经不是什么难事。
例如，国外以假乱真的“阿汤哥”在tiktok上火了好一阵，国内的柳夜熙、李星澜等虚拟形象也在国内社交媒体平台上大受欢迎，视频中几乎看不见“ai合成”的影子，评论中惊艳的声音也居多。
不仅如此，ai生成图像甚至视频的效果也日渐精致，国外openai的dall·e2、谷歌最新imagen和parti、国内智源cogvideo和微软亚研院nuwa-infinity等，都是这几个月出现的新成果。
上述这些图像技术，有不少已经开放了api接口、或是申请试用，加上有不少类似的开源模型，基本上已经能做到“人人可玩”。
基于这些技术，现在国内外各平台，也出现了不少“24小时直播”的ai博主。
但点进去看却会发现，这些ai博主远不如真人主播、或是真人扮演的虚拟主播人气高。
△24小时ai虚拟主播，半天只有167人“看过”
直播效果上，也与我们期待的那种“24小时直播”有点远：
互动时，大部分ai主播能做的非常有限，有些只能简单地唱几首歌（限定歌单）、或是根据设定好的指令进行回复等；
说话时，用ai合成的虚拟主播音色，不仅语气没有真人主播那般生动、也无法主动制造一些情绪上的“惊喜”。
这背后反映的是绝大多数虚拟ai主播的痛点——
虽然这几年图像生成技术突破不断，但语音语言ai的技术门槛，却仍然较高。
以董宇辉直播间为例，虽然只要董老师乐意，合成一个“ai董宇辉”的形象并不是一件难事；
然而，让“ai版”董老师说话语气和音色更像本人、认出直播间其他老师的声音、甚至听懂直播间外助手的“指示”等操作，却仍旧难以完成。
这背后对应的，是语音合成、声音识别、语音识别等各种语音语言ai的综合能力。
更进一步，想让这个直播间国际化的话，还会对语音能力提出更高一步的要求。
例如，至少需要能够实时在线翻译的ai字幕：
在此基础上，如果要做成无障碍直播间的话，还需要进一步掌握同声传译的能力。
好消息是，现在，已经有越来越多科技大厂注意到这一赛道，这几年一直在不断加大投入。
国内外大厂纷纷加码光从理论研究来看，语音语言ai方向的论文已有不少。
亚马逊谷歌等大厂，关于对话ai、nlp和语言处理等方向的ai论文已经达到几百甚至上千篇，其中有不少都是顶会论文；meta光是2018一年，就拿了emnlp和acl两大nlp顶会的最佳论文……
（当然，也有少发论文的，例如苹果更喜欢申请专利）
国内如bat、华为、京东等公司，这几年也成立了自己的声学或nlp实验室，在naacl、aaai和acl等不少顶会上拿过各种论文奖项。
△acl 2022部分杰出论文奖
以iwslt（国际口语机器翻译比赛）为例，这是国际上最具影响力的口语机器翻译比赛之一。
就在今年的赛事上，华为在语音到语音翻译、离线语音翻译和等长口语翻译三个任务上，拿到了四个语言方向的top 1。
但在研究以外，各大厂在语音语言ai技术的落地上却有着不同的思路。
除了基于最新研究优化自身产品（语音助手、搜索引擎等）以外，部分厂商选择直接将模型开源、或是做成ai框架供开发者调用。
这样的ai能力，对于不少没接触过ai的开发者来说又“过于深奥”，甚至连它应该怎么用、用在哪里都难以捉摸清楚。
一定程度上，也导致了不少开发者并没有机会接触到最新的语音语言类ai技术。
尤其是这几年很火的同声传译ai，对于实时性和模型性能都有一定的要求，相应的论文和workshop也在顶会上出现得越来越多。
对于直播等行业来说，要想扩大受众和影响范围，同传ai也是一项不可或缺的技术。
所以，有没有门槛更低的落地方式呢？
现在就已经有不少厂商开始尝试一种新方法——
以华为为例，就针对移动端开发者，基于华为移动核心服务（hms core）打造了一套专门的机器学习服务（ml kit）工具包。
在这样的基础上，开发者无需掌握ai技术细节，就能在自己开发的移动app或应用中用上这些语音语言技术。
例如，刚刚我们看到的ai字幕（在线文本翻译）和同声传译，就是基于华为这套工具包中的语音语言ai能力，轻松做出来的效果。
开发门槛越来越低说了这么多，具体怎么上手用起来，咱们不妨看看前辈们都是怎么做的。
比如，在华为开发者论坛上，就有人基于ml kit中实时语音识别、实时语音转写等功能，给外婆开发了一个语音搜索购物app。
其中语音功能的实现，步骤并不复杂。
首先，你需要做一些开发准备工作，包括：在华为开发者联盟网站上完成实名注册，配置appgallery connect，并在工程中配置hms core sdk的maven仓地址。
然后，集成相关服务sdk。以实时语音识别服务为例，代码如下：
dependencies{
// 引入实时语音识别服务插件
implementation 'com.huawei.hms:ml-computer-voice-asr-plugin:3.5.0.303'
}
接着，就可以进入接入语音服务的阶段了。
还是以实时语音识别服务为例。在设置完成应用的鉴权信息之后，第一步是参考支持语言列表language，创建intent，用于设置实时语音识别参数。
mspeechrecognizer.getlanguages(new mlasrrecognizer.languagecallback() {
@override
public void onresult(liststring> result) {
log.i(tag, support languages== + result.tostring());
}
@override
public void onerror(int errorcode, string errormsg) {
log.e(tag, errorcode: + errorcode + errormsg: + errormsg);
}
});
第二步是创建activity，传入之前创建的intent，用于拾音，并将结果返回原activity，可实时识别60s内（包括60s）的语音。
private static final int request_code_asr = 100;
// request_code_asr表示当前activity和拾音界面activity之间的请求码，通过该码可以在当前activity中获取拾音界面的处理结果。
startactivityforresult(intent, request_code_asr);
最后，覆写“onactivityresult”方法，用于处理语音识别服务返回结果即可（详细代码见参考链接）。
每一步的开发细节，在hms core官网都有详尽的开发指南可供查询，十分新手友好。
另外，hms core的机器学习服务也不仅适用于华为手机，android设备和ios设备也能用，具体版本要求如下。
怎么样？简单接入sdk，无需复杂的调参训练，即可获得大厂商用级别的ai算法能力，你是不是已经脑洞大开了？
（并且还不仅仅是语音语言技术，ml kit还提供了文本、图像等各种ai算法功能。具体详情，可戳文末“阅读原文”，参考ml kit官网）。
然而对于头部主播来说，再怎么爱岗敬业，也总有下播的时候。
实际上，这种把长期积累的技术能力，通过能够轻松上手的工具释放给移动应用开发者的做法，亦非华为一家独有。
无论是谷歌的gms core，还是苹果面向开发者的各种kit，核心目的都是想不断降低前沿技术落地的门槛，让更多开发者能在技术顾虑之外，将更多的精力和时间投入到创意当中。
如此一来，手机用户们自然喜闻乐见：最新鲜的技术能以各种好玩的创意形式，在手机里直接体验到。
对于厂商而言，应用的繁荣则构成生态循环中最为重要的一个节点，对外吸引更多用户，对内汇聚更多优秀的开发者。
以上就是ai如何让董宇辉不下班？的详细内容。