快手在直播间里养起了AI宠物，连柳岩、大鹏都爱不释手

郭一璞 发自 凹非寺

量子位 报道 | 公众号 QbitAI

昨天下午，柳岩和大鹏到快手总部“扫楼”，“快手星闻”全程直播。一个吸引人的橙色小精灵，全程活跃在直播页面上，它就是快手直播间的智能宠物“小快”。

直播过程中，柳岩和大鹏可以随时和小快聊天，小快还能对两位演员的新电影侃侃而谈，获得了二人的喜爱。

在直播里加花样，早就不是什么新鲜事了，各类基于计算机视觉技术的特效、AR效果，已经被直播公司们玩出了花。

但快手这家脑洞大的公司，这次把智能宠物“小快”放进了直播间里，这样用户在开直播的同时，就能“使唤”小快完成发红包、放音乐、讲笑话、闲聊等各种功能，帮助主播和观众进行互动。

就像舞台上的演员可以向导播台喊“music”一样，小快可以做主播的专属助理+音响师。

将有语音互动功能的智能宠物引入直播，这还是业内首次。

小快，特别的语音助理

小快本身是快手的吉祥物。在快手的直播页面中，小快默认出现在屏幕的左侧，平时是趴在屏幕边的状态，如果你喊“小快小快”召唤它，它就会跑出来，识别你接下来的命令，这样，在直播的时候，不用伸手点就可以完成各种功能。

小快可以帮你活跃直播现场的气氛，比如，你可以命令它会放音乐、讲笑话、讲故事等，甚至还会发快手平台的虚拟币“快币”红包。

也可以直接让小快找人连麦或PK，你也可以看到其他用户的小快。

而对观众而言，进入直播间的时候，主播的小快会专门来欢迎你，送礼物之后也有答谢，更有互动的感觉。

此外，快手还为小快开发了养成系统，第一次开直播的用户完成三个初始任务后，你的小快就会变身为常伴你左右的小宠物。

点击小快的图标，屏幕的下半区域就会变成小快的专区，小快会用各种姿态向你问好。

因为小快的形象用到了实时的3D渲染，因此看起来整体效果非常真实，哪怕是复杂的动画效果，也可以顺利切换并呈现在你眼前。

甚至还能选择它的性别，女生版头上会多出一朵小花花。

之后，小快进入养成状态，完成每日任务能为小快赚取饭团，投喂之后小快可以升级，获得包含各种直播权益的升级礼包，并解锁更多技能和外形。

开发历程

或许你会问，开直播，为什么要加入一个语音机器人？

这要从一个过气网红提起：夸夸群。

△ 快手第二届黑客马拉松，夸夸机器人项目在进行demo演示

今年3月，各种各样的“夸夸群”突然火了起来，你在群里分享自己的各种有趣行为，求夸，网友们就用各种姿势把你夸上天。

那么，既然能让网友来夸你，能不能干脆找个AI来变着花样夸你呢？

于是，在愚人节那天，快手内部的“以AI之名”黑客马拉松活动中，就出现了一个“夸夸机器人”，产品团队顺势就把这个机器人延伸成为了语音机器人。

因此现在，如果你对小快说“快夸我”，它也会疯狂的夸你优秀美丽风趣幽默……

不过，在直播中做语音助手，要比普通的手机语音助手和智能音箱更难，没有智能音箱那样专业的硬件，嘈杂的直播环境和有限的计算资源对手机的要求更高。

“小快”语音机器人用到了语音唤醒、语音识别、自然语言理解、对话管理、语音合成等技术，乍一看并不新奇，但当他们被用在手机直播这个场景下，则有更大的难度。

首先，主播需要喊“小快小快”进行语音唤醒，开直播的时候，手机通常离主播1米左右，比手持的距离要远，不满足传统的近场条件，且系统只能拿到单通道数据。

而且，主播使用的手机型号多种多样，麦克风拾音性能千差万别，有的主播还会使用具有声效处理功能的声卡，小快的语音唤醒必须适配这些复杂条件。

在此同时，手机开着直播，本身就占用了不少计算资源，因此小快机器人不能占用太多的CPU资源，不然会影响直播的清晰度和流畅度。

在这些复杂条件下，快手技术团队设计了两阶段语音唤醒系统，第一阶段采用精简模型，增加召回率，第二阶段采用复杂模型，提高准确率。另外，还需要在回声消除、模型抗噪方面做了大量算法优化。

唤醒之后的语音识别环节，快手团队也遇到了难点：中英文混合识别。这一点，在主播点歌的时候是常用功能，比如快手用户喜欢的《野狼disco》，歌名既有中文又有英文，必须精确的识别出来，既要解决这种中英切换时的协同发音问题，又要解决中英文训练样本的不均衡问题。

因此，快手技术团队采用了基于循环神经网络的序列建模方法，对中英双语音节进行建模。音节的发音特征相对稳定，理论上能缓解协同发音的问题，但音节建模增加了发音单元的长度，对模型能力要求更高。还引入了具备下文语境的门控循环单元，有效地解决了中英混合识别的问题。

最后，主播下完命令之后小快要回话，就涉及到了语音合成的问题。

小快的声音很可爱，活泼而清脆，但如果直接使用业界常用的16kHz采样率，无法保留这一音色特点。因此，快手技术团队提出了一种超宽频带神经网络声码器，对超宽频带也进行了建模。

超宽频带的频谱特征随机性强，增加了神经网络的学习难度。并且合成同样时间长度的音频信号，需要预测更多的采样点，这需要模型捕捉更长的序列依赖关系。

为此，快手的算法工程师对神经网络声码器进行了深度优化，在同样的合成速度条件下，合成音频具有更高的音质，小快音色明亮清脆的特点得到了较高的还原。

此外，除了语言语音相关技术，小快作为一只3D宠物，也需要视觉上的优化。

因为直播本身就消耗了手机的大量资源，同时还需要渲染3D形象，留给渲染3D形象的资源就非常有限了。

那么，如何利用有限资源，渲染出形象丰富立体、光影效果真实、动作流畅的小快呢？

快手技术团队优化了美术资源，将包含所有的动作表情、模型和贴图在内的小快数据包压缩到了2M左右，并采用资源异步加载来提升效率。为了减少GPU消耗，减少了渲染API调用次数，优化渲染整体逻辑，使用假阴影方案替换实时阴影计算。

另外，考虑到用户机型不同，许多用户可能用的是相对低端的手机，快手技术团队针对不同机型做了性能降级适配、异步加载，不断调优性能与效果的平衡点，以达到最优效果。

小快背后的团队

此前业界更熟悉快手的图像技术团队，但快手AI语音技术团队人才积累也不容小觑。

快手的语音技术早有布局，三年前就成立了语音交互、音频内容理解的技术团队，成员主要来自清华、中科院、哈工大、西工大的语音实验室，以及微软、三星、BAT这些大厂，目前主要技术方向包括语音识别、语音合成、音乐理解与生成、音频事件检测等。

这样专业的人才团队做了许多业界首创的应用。

比如视频剪辑应用快影，借助快手自言的语音识别技术，它可以向所有用户提供免费的视频自动加字幕功能。

还有快手音悦台，利用算法从主播的直播过程中自动剪辑、筛选精彩的唱歌片段，制作成为歌唱精选内容，这样，音乐主播就无需手动整理素材剪辑就有现成可发布的内容，而喜欢音乐的用户也有了观看精彩内容的入口。

直播领域一向竞争激烈，小快的出现，想必是对用户体验和平台粘性的进一步提升。

而在快手先行之后，语音机器人或许会是直播界的一股新风潮。

传送门

最后，小快智能宠物用到的不少技术，快手已经公开发表，为大家传送论文如下：

The Speechtransformer for Large-scale Mandarin Chinese Speech Recognition

自注意力机制的语音识别

作者：Yuanyuan zhao, Jie Li, Xiaorui Wang, Yan Li

https://ieeexplore.ieee.org/document/8682586

Gated Recurrent Unit Based Acoustic Modeling with Future Context

基于门控循环单元的声学建模

作者：Jie Li, Xiaorui Wang, Yuanyuan Zhao, Yan Li

https://arxiv.org/abs/1805.07024

Automatic Singing Evaluation without Reference Melody Using Bi-dense Neural Network

使用双密度神经网络的无参考旋律的自动歌唱评估

作者：Ning Zhang, Tao Jiang, Feng Deng, Yan Li

https://ieeexplore.ieee.org/document/8682665