美国哥伦比亚大学科学家设计出一种新型框架，使人形机器人面部能够根据音频生成逼真的唇部动作，实现与人类语音的同步。该技术还展示了较强的泛化能力，可推广至包括法语、汉语和阿拉伯语在内的多种语言，即使这些语言并未出现在训练数据中。研究团队在发表于最新一期《科学·机器人学》上的论文中指出，这一进展是朝着构建不仅能执行功能，还能进行人性化交流的机器人迈出的重要一步。
在对话中，如果机器人的唇部动作与声音不匹配，会显得呆板且不自然。然而，现有机器人普遍缺乏执行精细口部动作的灵活性，能实时将语音转化为自然唇部运动指令的技术也寥寥无几。
研究团队在2024年曾发表研究，描述了一种人形机器人面部可以预测人类的微笑并同时再现该表情。在此基础上，为更加精细化唇部与声音的匹配，团队设计了一套学习流程：首先采集机器人唇部运动的视觉数据，用于训练模型并生成运动参考点；随后通过一个名为“面部动作转换器”的模块产生运动指令，使机器人的唇部能够流畅配合不同词语。他们还专门研制了一种人形机器人面部结构，采用柔软硅胶皮肤，配合磁性连接器，具备10个自由度，可驱动复杂的唇部运动。其唇部结构能形成覆盖24个辅音和16个元音的各种口型。
在验证过程中，团队借助ChatGPT生成测试语句，并合成了具有理想唇部动作的视频作为对比基准。结果表明，该方法在5种比较方案中表现最优，其生成的唇部动作与理想视频差异最小。此外，该框架还能为11种不同语音结构的非英语语言生成自然的唇部同步效果。
研究团队推测，这类人形机器人在教育、老年护理等领域具有应用潜力。但他们也强调，未来的设计工作需格外谨慎，以防止技术被滥用。（科技日报记者 张梦然）
总编辑圈点
现在，AI让虚拟人物动嘴说话已经“不在话下”，然而让机器人做到这点还相当困难。大多数机器人“说话”时并不动嘴，即使动嘴，也只是象征性一张一合。这次，科研人员试图让机器人拥有人类一般细腻、精准的唇部动作，教它们通过合成视频以“照镜子”的方式学习；还开发了硅胶皮肤，设计了面部机械系统。结果表明，机器人可以“学会”多种语言的唇部动作。不过，研究也不禁让人思考，当机器人真的开口说话，“恐怖谷效应”是会加重还是减轻？