被Google收购的初创“AI虚拟形象”公司Alter：3D虚拟化身是未来在线社交的重要趋势，仍有技术和工具化机会｜「文娱科技」

文娱科技，

上期“AI虚拟偶像在ZEPETO“成团”（见文末）

关注文化娱乐科技的产品化与场景应用

欢迎投稿与交流，联系请见文末

伴随3D虚拟社交、元宇宙相关平台的发展，虚拟化身技术正逐渐在多个在线娱乐与社交平台上应用落地，成为升级用户体验、迭代社交模式的重要手段。

去年下半年近年末，Google宣布完成对初创AI虚拟形象公司Alter的收购，此后其开发团队也将加入Google。有消息称收购价格约1亿美元。

Alter是一家成立于2017年的AI科技初创公司，至今已经与推出过虚拟化身社交APP Facemoji和开源免费的技术集成——Facemoji 和Mocap4face两项SDK。其中Mocap4face发布于2021年，是一项即插即用的技术集成，不仅为该公司的其他产品提供支持，同时也服务于Reality、VTube Studio等应用开发。

目前，该项技术主要应用于虚拟化身的驱动。其借助AI技术与FACS编码系统，能够基于RGB摄像头采集的视频或图片信息，在虚拟形象与真人之间同步表情变化。相比其他表情捕捉技术具有使用便捷、对于运行设备要求较低等优点。

Google并未透露此次收购Alter的原因。不过，今年下半年以来，TikTok、Meta等公司都对虚拟化身领域有所关注和布局。如今年6月Tiktok推出了虚拟化身系统“Tiktok Avatar”，10月Meta表示将在其虚拟化身的一项SDK中加入“自然面部表情”功能。

因此，也有市场观点认为Google此举是为了应对与TikTok的竞争。Google在去年推出YouTube Shorts短视频功能，今年6月该平台已有15亿月活跃用户。

Google收购Alter，

后者专注AI虚拟化身技术研发

Alter前身为Facemoji，是一家聚焦于虚拟形象领域的AI科技公司。两位创始人Jonathan Slimak、Robin Raszka此前都有过互动产品的设计经验。公司旨在“通过提供开发工具，让品牌业者和创作者能够以虚拟形象对外产生互动”。

Mocap4face是Alter的关键技术，自2021年发布起，不仅支持该公司推出的Facemoji、Alter SDK等产品，也为Reality.Inc等其他公司提供过服务。

mop4face SDK产品

在AI算法的支持下，Mocap4face能够对RGB相机采集的图像或视频中的人脸表情进行特征抽象，根据其变化实时生成能够应用于虚拟形象的blendshape系数，实现虚拟化身的面部表情随动。

公司CEO Robin Raszka表示：“在线沟通的未来在于虚拟化身，但这项技术的发展没有跟上时代。如果开发者要从头开始构建下一代数字空间，在提供外观精美的3D内容的同时优化用户体验，那样成本高、速度慢且困难。我们正在改变这一点，并为下一代开发者和创作者开辟新的可能性。”

2021年，Alter前身Facemoji凭借在虚拟化身领域的探索与取得的技术成果，获得了300万美元的投资。该轮融资由风投公司Play Ventures领投，Twitter、Roosh Ventures等公司参投。Facemoji表示资金将用于扩大公司在业界的伙伴关系，以及进一步的研究和开发。

Play Ventures副总裁Phylicia Koh表示：“Facemoji 团队是虚拟化身技术的领导者，Play Ventures 很高兴能够为他们提供支持。我们认为Facemoji将成为元宇宙经济中的强大参与者，帮助改变开发者、创作者和用户的创作、游戏和交易方式。”

此次收购之前，Google在AI表情识别方面也已有技术积累和实际应用经验。比如今年早些时候，Google就在通信软件Allo中试水了一项新功能，可通过AI识别照片当中人物的表情与外貌特征，生成相应的表情包。Google提供的数据显示，该工具能够生成超过500万亿个不同面孔，为用户提供“量身定制”的emoji。

对于收购Alter的意图何在，Google方面并未作出说明。不过可以看到，其他在线娱乐与社交平台和公司，对虚拟化身领域也有较多关注和布局。

早在2020年，Snapchat就推出Bitmoji等。Bitmoji提供可定制外观的卡通形象，用户可将其与自己的账号绑定。不过该平台并不支持使用者和虚拟化身之间的动作同步。

到今年6月，Tiktok推出虚拟化身系统“Tiktok Avatar”。用户可以通过这一功能定制他们的头像，并且经由手机摄像头进行面捕，驱动他们的虚拟化身作出各种表情。

tiktok的avatar产品

今年10月，Meta也宣称将在自己关于虚拟化身的一项SDK中加入“自然面部表情”功能——那些持有Meta Quest Pro的用户可以将自己的表情同步到虚拟化身上。

同时，AI技术具有耐劳时间长，存储空间大，计算速度快等优势，有比较广阔的应用场景，与Google自身业务结合后，有助于进一步优化为用户提供的服务。

根据在Linkedin平台发布的动态，Alter团队中原先负责AI开发的Pawel Andruszkiewicz并未从事专门的虚拟化身开发工作，而是进入了Youtube Team担任高级软件工程师一职。而在Youtube的运作过程中，从实时渲染的快速特效系统，到自动删除违规内容和视频推荐等功能，也都有着AI技术的参与。

Mocap4face：利用CNN算法及FACS编码系统，只需手机摄像头即可实现表情捕捉

在Mocap4face SDK的支持下，仅需一台RGB相机即可实现面部表情捕捉与虚拟化身的表情随动。

目前在表情捕捉领域比较主流的结构光法和相机阵列法，前者需要专门的光学镜头、感光设备，后者则需多台相机同时拍摄，以获得关于人脸的深度信息。相比下来，Mocap4face的表情捕捉只需用户打开手机摄像头即可实现，在成本和操作上都更加“亲民”。

上述技术特色的背后，是CNN算法和FACS编码系统支持下的人脸表情捕捉技术。

CNN，即卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。其最基本的组成部分有三：卷积层、池化层、全连接层。

三者当中，卷积层对输入的局部提取特征，并利用权值共享机制来减少权值参数数量；池化层对提取的特征向量进行降维操作，加快处理速度；全连接层在整个网络中起到分类器的作用，利用回归或分类处理，将前面提取的抽象特征映射到样本标记空间。

借助CNN算法，开发者能够建立起深度学习模型，对采集的人脸表情数据进行有效的识别与特征提取。

在训练阶段，通过输入大量的样本数据，给模型送入人脸特征、表情等数据，进行矫正和增强后训练得到 AI 表情模型；在应用阶段，训练好的AI能够解析输入的图像或视频，提取表情特征。

在提取表情特征这一步，Mocap4face采用的是一个基于CNN的经典表情提取算法——将人脸图像/序列送入CNN网络后根据FACS进行特征抽象。所谓FACS即Facial AQction Coding System，是一套编码系统，其将人脸划分为不同的运动单元（AU），AU之间的不同组合形成了面部表情的可视变化。

在该方案中，AI首先将人脸信息数字化进行识别，再通过放射旋转缩放等几何变换实现特征点对齐，标注五官及其轮廓，定位人脸关键肌肉点。这些关键点位置（相对位置、绝对位置、距离和角度）的改变就意味着面部表情的变化。

在此基础上，AI将数字化的表情信息转变成为可判别的特征向量，再将这些向量送入驱动渲染模块解析，生成对应模型面部表情的实时blendshape系数，进而驱动虚拟形象。

FACS对人脸主要运动单元（AU）的编码

该项技术能够较好地应对以下两个问题:

首先是如何在保存图片特征的同时实现大数据量的图片降维：图像是由像素构成的，每个像素又是颜色构成的，因此就需要用RGB三个参数来表示该像素上的颜色信息。这就意味着，如果处理一张500x500像素的图片，我们就需要处理500x500x3=750000个参数。而CNN的卷积层能够通过降维，在保留图像特征的同时减少其需要处理的参数，从而更大程度提高数据处理效率。

其次是基于RGB摄像头（即普通手机镜头这样的2D摄像头）采集的信息，通过推理还原头部的3D动态：RGB摄像头本身是平面镜头，采集不到3D信息。但有了CNN算法的支持，它能够根据摄像头捕捉到的2D图像，估计图像当中每个位点到镜头之间的距离，在掌握这些信息后，推测出三维的空间关系，虚拟化身也就得以实现更加精确的头部运动。

主要应用：驱动虚拟化身，使用便捷、设备性能要求低

这项技术目前主要的应用领域是驱动虚拟化身，其优势主要有以下两点：

第一点是使用便捷、新手友好。

对于开发者而言，Mocap4face支持多系统、多平台，在苹果安卓和web端均可使用，同时该技术的一个亮点就是“即插即用”性。根据GitHub上官方发布的使用说明，用户只需在Facemoji官网创建开发账户、生成唯一的api秘钥，将其插入到自己的游戏/应用程式源代码中即可将面部识别功能整合进来，无需为此编写其他代码，有助于节省人工和时间成本，提升开发效率。

Facemoji app

对于用户而言，相比于3D摄像机动捕或者光学动捕这样本身就能够取得三维深度数据的手段，alter提供的方案需要基于摄像头采集到的二维数据通过AI进行推理，以衍生出相应的三维动作，这种方式可能显得繁琐，并且AI的计算推理也并非万无一失，导致最终呈现出的动作有时会发生错误。

不过，这种方式只需一台RGB相机即可驱动虚拟形象，无需外置设备，相比之下仍然属于低成本高效率的一种解决方案。

第二是其本身比较“轻量”，对设备性能要求低，也能提供较好的呈现效果。

Mocap4face这项技术在对视频进行处理时，经过CNN算法的卷积降维，每一帧图像当中需要处理的数据量被大大压缩了。同时其处理数据时采用的FACS编码方式，在对人脸进行检测时会更加关注眉毛、嘴巴等比较能体现表情的特定区域发生的变化，对鼻子等一般变化不大的区域关注较少，从而减少所需进行的运算量，在提升效率的同时减轻对CPU/GPU造成的负担。也是因此，该技术对设备要求不高，iphoneX及以上机型即可实现60帧输出。

Mocap4face因其优秀性能也受到了业界青睐。今年2月，服务于虚拟主播的面捕软件VTube Studio在1.16.0版本更新中就表示，将放弃Google推出的ARcore，改用Mocap4face作为动作追踪器，并在该项技术的支持下引入了两项新功能——MouthX Tracking和Tougue Tracking，提供努嘴、吐舌等表情动作，使这些虚拟形象能够更加生动地呈现出来。

VTube Studio 1.16.0的版本更新说明

不过这项技术也并非完美，在识别精确性上仍有可提升的空间。

首先，其运作方式是由AI计算机镜头采集的二维平面数据来推理三维动态。相比于能够直接采集到3D空间信息的外接设备，AI的推理在这个由二维到三维的过程中并非万无一失，中途有可能发生错误，导致对动作的错误识别；同时其依据的FACS编码系统为了提高效率，在判断人脸表情时所依据的AU基本都是只发生在人脸的某些特定的小区域内，带来丢失信息的风险。

也是由于识别准确度上的不稳定，其目前主要的应用场景主要集中在驱动虚拟化身这样的娱乐领域。不过随着近年来人工智能技术的不断进步，该项技术的识别精确性有望获得改善，其应用场景也有望扩大到更多领域。

上一期「文娱科技」

Hello!

我们在为更加闭环、更加高效的服务模式做准备

欢迎加入限定白名单

与我们一起探索