张一帆 姜卓群

（作者单位：1.南昌航空大学；2.河北美术学院）

1 AI合成主播的进阶演化

早在2001年英国就推出了世界上第一个虚拟主持人——阿娜诺娃（ANANOVA），由此开启了虚拟主持人的旋风，并在全球掀起了虚拟热潮，中国、日本、韩国等都进行了尝试。处于萌芽时期的虚拟主持人呈现出语言机械、形态僵硬、计算机动画（Computer Graphics，CG）技术不成熟等缺陷，此后十余年虚拟主播的发展也并未激起科技界的轰动。直到2018年，虚拟主播正式开启真人原型的“分身”，由新华社联合搜狗发布的全球首个人工智能（Artificial Intelligence，AI）合成主播“新小浩”于第五届世界互联网大会问世[1]。次年2月，全球首个站立式“AI合成主播”——“新小萌”问世，其声音和形象都优于之前的“新小浩”。此时AI合成主播与早年间的虚拟主播相比已经发生了极大的变化，尤其是2020年推出的全球首个“3D AI 合成主播”“新小微”硬核上线，这是AI领域和新闻生产深度融合的飞跃性成果。高度智能化的“新小微”，在交互能力和场景切换应用层面较之前取得了很大进步，且实现了单一景深机位到可全方位视角呈现的跳跃式进步，立体感和逼真性明显增强[2]。除此之外，“非对称式互信息估计器”保证了音视频转换过程中损耗值尽量最小，转换的映照尽可能准确。

从“AI合成主播”的诞生、更新换代，到全球首个“3D AI 合成主播”的正式亮相，新型主流媒体与AI技术达成了深度融合。AI主播近几年发展突飞猛进，“3D AI 合成主播”的加入，除了给人带来新奇感之外，新闻工作者存在的意义将重新定义。AI的出现掀起了一波科技改革的浪潮，而“3D AI合成主播”的出现更是引发不少新闻播音人士的焦虑。的确，“3D AI 合成主播”为新闻节目制作和呈现带来了更多选择，但是AI合成主播未来是否具有人脑一样的思考力还未可知。关于人机协同如何发展，学界和业界还需进一步探讨，寻求二者的平衡点。

2 技术赋能下AI合成主播的优势

2.1 全天候、零失误的信息“生产者”

作为真人主播的“镜像”，“3D AI 合成主播”可进行信息资讯的海量收集，全天候大容量播报。与真人主播相比，在新闻播报语速把控、相关信息快速提取、信息无纰漏输出等方面都更胜一筹。内容生产层面，虚拟主播根据文本便可自动生成报道视频，如新华社媒体大脑“MAGIC”可最快在6秒内自动生成短视频。原始视频剪辑中一帧画面的差池便要重新合成、导出，几十秒的短视频整套流程下来要花费几个小时。在新闻挑选层面，平台自动识别出具有较高新闻价值的讯息，帮助记者在海量信息中及时完成报道，提高新闻的时效性。虚拟主播在达成高效率的同时具有优质的性价比。24小时无间断运行，高强度体能在线，实现零失误、无纰漏输出，一定意义上解放了传媒业的生产力。

2.2 形象传播高仿真性弥合视觉鸿沟

“3D AI 合成主播”作为一种媒介视觉呈现，从形象载动信息的角度来说，与前几代相比，“新小微”最大的进步就是高度复原了真人的外形特征。媒介形象作为信息传达的中介，造型上的接近性会带来心理上的接近性。“新小微”高仿真性的外形取材于新华社记者赵琬微，本土化的外形更易带来文化认同感。个人形象是视觉范畴的第一要素，譬如早期的比尔·邓，不论是外形还是名字都具有西方化的特征，体现在声画造型上就是声音机械化、行为举止迟钝，观感不佳。中国观众对于比尔·邓的视觉导入认可度极低，而“新小微”的形象诊断和形象定位都符合中国审美，外形与气质具有亲和力，造型本土化的应用上颇为用心。

2.3 多语种“数字人”助力文化输出

多种语言加持，助力文化对外输出。AI合成主播可切换至任何国家的语言播报，起到沟通中国和世界的桥梁作用。2019年，AI虚拟主播“小晴”在科大讯飞新品发布会上首次使用全球多语种，实现中、英、日、韩等七国语言，以及两种民族语言——维吾尔语、藏语同时进行直播[3]，还表演了变声技术，实现声音的模仿，助力中国文化输出。2020年，阿里AI完成全球首个多语言实时翻译的电商直播，直播过程无惧嘈杂的环境，让机器听清、听懂，实现了中文直播内容精准翻译成多国语言的目的，帮助人类跨越语言障碍，助力中国文化对外输出。

2.4 场景突破时空维度增加新鲜感

算法驱动下，“AI合成主播”穿梭于不同直播间，在真人主播难以到达现场的情况下，幻化成不同的分身，打破时空情景，成为真人主播的替补上场完成任务。2020年，真人主播迫于空间限制信息传播量减少或传播不及时，一时间信息“供需不平衡”，AI主播分化到各个平台，发生紧急情况时及时向受众播报新闻，保证信息及时、准确供应，避免谣言的滋生，保障了公众的知情权。

“真人分身”实现了多场景转化，增强现实（Augmented Reality，AR）、 虚 拟 现 实（Virtual Reality，VR）等技术赋能，再现新闻事件现场，将报道场景延伸至虚拟演播厅完成新闻播报。从视觉上看，AI主播还原了新闻的现场感，能更好地满足受众对现场多样化呈现的需求。相比而言，真人主播的创作场景较单一，无法打造视觉奇观，某种程度来说无法满足观众对新鲜感的需求。

3 AI合成主播的技术反思

3.1 程序游戏下的情感缺陷

“情感”是艺术作品的核心，是主持人有声语言外化的基石。播音员主持人作为有声语言的传递者，“情景再现、内在语及对象感”等内部技巧均是塑造播音主持作品的要素。“3D AI主播”高度还原了真人主播的发音、样貌，但是外部技巧的丰盈也难抵内部技巧的缺失，只有与客观世界发生真实存在的联系才能获取对现实世界的真实感受，尤其是主持人与被访者面对面交流的过程中，表情、语气、语调等非语言符号发挥的作用甚至超越了语言符号，而人工智能主播无法传递副语言。日本机器人科学家森政弘曾提出，对于高仿真的机器人，人们会产生恐怖感，原因之一“源于高仿真形态下真假的不确定会给人带来的不安”[4]，这种不安直接导致AI主播与人的交流感消失殆尽，交流感是中枢神经系统的延伸，它超越了任何一种媒介，只有人类言语本身才能与之匹配，源于此，AI主播将一直存在于交流失效的循环怪圈。

文字是规定性的，语言是创造性的。对于一般的信息内容，客观事实信息占据主体的位置，但在面对传染性疾病时，媒体的喉舌作用最先体现的是关注“生命体”。情绪和情感的支撑是新闻报道的灵魂，也是播音员主持人进行“二度创作”的过程。面对复杂的情况，主持人会依据自己的社会经验、文化教育、情感体验等对生活的感悟提前预判观众的情绪变化。基于算法逻辑下的AI合成主播只不过是程序游戏下的产物，尽管AI主播可以依据机器学习，模拟人类表情、揣摩人类心理活动并机械地作出预判，但究其根本是依据数据库被赋予的学习能力，而缺少人文情怀和共情能力，人类心智的解读仍然是AI主播永远难以跨越的鸿沟。

3.2 机械符号下的去抑制化

主持人是一个节目最有影响力的品牌，是广播电视新闻风格和频道形象的构成要素。媒介融合趋势加快了主持人IP化塑造的步伐，催生了“粉丝经济”，康辉、撒贝宁、尼格买提、朱广权四位主持人组成的“央视boys”最为明显，他们拥有高水平的专业能力，且各具特色，收获了大量“粉丝”。康辉作为新闻联播的主持人，以往都是以严肃、端庄的形象出现，随着短视频的兴起，中央电视台开通了“主播说联播”账号，让受众了解到康辉作为主持人生活化的一面，拉近了与受众的距离；再譬如撒贝宁，《今日说法》中的严谨认真，《你好，生活》中的诙谐幽默，《开讲啦》中推己及人的同理心，以及《经典咏流传》中超强的控场能力等，赢得大批粉丝的关注。

主持人在不同的节目呈现出不同的风格，通过个性化的语言树立标签，形成节目的品牌效应。品牌效应是受众对节目产生深度黏着的关键，“粉丝经济”就是很好的印证。在“粉丝经济”里，商品的符号价值远远大于商品的实际使用价值，情感上的倾向性带来心理上的满足，受众对节目的信任度和忠诚度在很大程度上源于主持人的感染力和感召力。粉丝的黏性越强，信任度越高。真人主播的感受是多样的，他们将自身置于过往所见所得所感之中，播报的每一个字符都是基于生活的沉淀，如此传达的信息才能令受众感同身受。而AI合成主播只是机械的符号，没有个人风格，无法营造情感氛围，受众的消费也只是停留在“资讯消费”的阶段。“仿其表难以仿其里”是AI主播的一大缺陷，算法操控下机械化的符号难以传达个性化的传播特征，受众容易产生审美疲劳，节目的主流价值导向作用无法发挥。

3.3 具身性抽离下的思想裹挟

唐·伊德在吸收莫里斯·梅洛-庞蒂“知觉现象”的基础上，提出了“具身性”，具身强调心智、身体和环境的一体化。而身体是人和社会之间进行沟通交流的本质条件，是参与社会最基本的方式。人们利用神经系统、视觉器官等去认知主体，在这个过程中，“身体”被放置在一个最显现的位置上[5]。身体与环境的交互性和融合性直接决定了新闻报道的传播效果。行为主义心理学提出的“刺激反应论”提到，身体通常作为接受外界刺激的效应器来处理，是视觉、听觉、味觉等接受外界环境刺激后引发有机体作出相应反应的渠道从而发挥作用。主持人依据自身所处的环境、经验阅历进行信息加工处理，同时考虑受众的人口学特征，这个过程直接决定了传播效果的好坏。而人工智能主播是人类构造的符号现实，这些符号对社会现实进行再生产，主体仍然是个体，而非个体的产物。“3D AI合成主播”现有的导入都是基于人类过去的经验和现有的认知，人类社会的发展必然带来技术的更迭，这一切都依赖于人类思维的进步，其看上去是技术驱动自身，但实际上技术应用的第一推动力依旧是人。人工智能主播只是在尽可能地营造出一个逼真的虚拟空间，一旦脱离身体，主持人就无法在其所处的环境中进行信息加工。

AI合成主播依据大数据建模而成，没有自主思维，无法赋予新闻报道深刻的内涵，譬如“深度调查节目、人物访谈或者突发事件的现场报道”具有高度的自发性和不可预测性，主持人的临场反应能力正是新闻专业能力的体现，虚拟主播无法察言观色，难以准确拿捏所获信息的准度和精度，没有独立应对突发事件的能力，发挥不出价值导向的作用，新闻背后的温度更是难以企及。

4 “人机共生”——戴着镣铐舞蹈

“人机博弈”的时代，实现“人机共生”才是可持续发展的道路。

媒介融合背景下，基于算法和大数据的人工智能正在改变行业结构，更新传播方式，改革传播模式。AI主播可以发挥高效率、全天候、高精度的功能，帮助真人主播从超负荷的工作中解放出来，令他们专心投入创造性的新闻活动。融媒体时代，受众的需求不仅仅是知晓权，而且在信息量、权威性和可看性等方面也提出了较高的要求，更要注重的是情感的沟通交流。虚拟主播刚刚问世的时候依靠新鲜感确实可以吸引受众观看，要想加深节目对受众的深度黏着，树立品牌形象，彰显频道意识，还要依靠真人主播来完成。的确，智能主播在精确传达信息、自动核查信息、快速搜索信息等方面无法超越，人类主播则在深度调查、观点导向、情感交流、应变能力等方面发挥自身优势[6]。基于此，对于人工智能是否会取代人类这一问题，答案不言自明。人类是情感表达的本体，自主能力和决策能力使人类仍然处于主体地位。尽管如此，人们仍需抱着谨慎的态度，发挥具身优势，同时认识到技术本无善恶，决定技术善恶的是使用技术的人。

倘若未来人工智能发展到可以自行思考的阶段，必定会展开一场“新论战”。那么，新闻工作者就应进一步提升自身的专业技能和职业素养[7]，发挥自身的创造力。从思维意识和外部技巧同时进行调整，扮演“把关人”的角色来重构自身价值，突出媒介意识体现者、价值导向者的独特身份，掌握舆论主导权，主动并积极应对人工智能化浪潮带来的挑战。