韓國首位AI主播亮相，人工智慧可以完全取代真人主播了嗎？

議題背景

2020年11月6日，韓國MBN電視台運用以真人主播「金柱夏」為原型的AI主播，順利播報了當天的主要新聞。由於AI主播報導新聞的影像十分逼真，立刻引發大眾熱烈討論。

影片中左為真人主播，右為AI主播：

新聞報導：

1. 中央社〈韓國首名AI主播上工，對新聞業是助力還是壓力（影）〉
2. 新頭殼〈太過逼真！南韓首位AI主播亮相，網友直呼：令人毛骨悚然〉

究竟目前AI主播可以完全取代真人主播了嗎？此技術的特點和和限制為何？我們邀請專家釋疑。

來看看專家怎麼說。

許志仲（國立屏東科技大學資訊管理系助理教授）
2020年11月25日

此AI新聞主播，主要是由韓國MoneyBrain公司所開發，並未對外揭露技術相關細節。然而，從學術的角度來看，要合成以假亂真的AI主播，在技術上並無太大困難之處，諸如影片的生成、聲音的合成，都有既有相關研究領域的開放原始碼與研究論文可供參考。

作出AI主播所需最簡便的方法，只要將相關的新聞文稿先輸入電腦，並拍攝一真人影片，並套用換臉技術即可。因此若台灣的學研團隊，有結合影像視訊與聲訊處理之專才，並不難產生相似的成果。

事實上，在影像與視訊處理的領域，最常見的傳統換臉技術，如大家熟知的DeepFake深度偽造，或是其他開源CycleGAN（註1）等技術，都有能力合成出上述的成果。

雖然目前現有相關文獻中，較少提及能直接從文稿，生成具有逼真視覺效果加上語音的AI主播，但各部分相關技術皆有一定程度的水準。

例如，人工智慧頂尖會議（AAAI Conference on Artificial Intelligence），去（2019）年就有一篇知名論文（註2）發展之AI技術，可以透過學習資料庫中影片，學習聲音與臉部表情的關係。接著，給定特定的聲音訊號，以及目標人臉，便能產生仿真的人臉視訊，甚至產生AI主播。

故在技術上，並非不可能。然而目前我們可以觀察到，大多數的生成技術通常是在較平坦單調的背景中使用，這也是受限於技術的限制，目前還無法合成出在複雜且變動背景下的人臉視訊。

自從2019年開始，許多產業與學術研究團隊注意到這些生成人臉，可能帶來許多潛在危機，因此偵測這些偽造人臉相關技術，已有不少團隊投入。例如影像視訊相關國際研討會，近一兩年來皆有少數相關研究成果產出，其中包含Microsoft與Facebook都有相關的研發成果。

國內我們團隊亦投入AI生成影像的鑑識技術多達兩年，除了已可穩定辨識出偽造人臉影像，目前在人臉視訊和AI主播等類似的應用上，亦有相關研究成果準備發表。

雖然我們很難肯定未來是否會有更多AI生成技術，可以令我們發展的鑑識技術都失效，但可以確定的一點是，未來會有更多的產學研團隊，投入偽造影視訊辨識的領域。

• 相關利益聲明：無相關利益

註釋

1. （註1） 編註：CycleGAN是一個神經網路模型，可用來作不同影像之間互相轉換，例如把照片中的的斑馬轉換為棕色馬，或是把畫作中的夏天場景轉換為冬天。公開程式碼請參考〈junyanz/pytorch-CycleGAN-and-pix2pix〉。
2. （註2） Zhou, H., Liu, Y., Liu, Z., Luo, P., & Wang, X. (2019). “Talking face generation by adversarially disentangled audio-visual representation.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 33, pp. 9299-9306.

本文經新興科技媒體中心授權刊登，原文刊載於此

責任編輯：朱家儀
核稿編輯：翁世航