人工智能和機器學習技術的進步，使得制造商和廣播公司能夠開發和實現更加智能的工具和應用，以加速整個產品的生命周期。對廣播公司而言，人工智能的吸引力在于其在利用機器來了解受眾需求，管理數據，過濾特定主題的內容以及生產原創內容等方面表現出的高效性。本文將分生成視頻，決定創意，簡化編輯和優化存檔四個方面介紹人工智能在媒體生產中的應用，重點是生成視頻。

視頻摘要

好萊塢開始使用人工智能來簡化預告片的生成方式。基本方法是利用人工智能識別影片中的關鍵情節點，并根據已經知道的預告片和觀眾對這些預告片的反應來生成精簡的預告片版本2017年9月，在20世紀福克斯的科幻恐怖電影《Morgan》的預告片（https://youtu.be/gJEzuYynaiw）中，人工智能第一次作為一項工具登上了舞臺。《Morgan》的制片廠使用了IBM的Waston（一臺擁有人工智能功能的超級計算機）來制作電影的預告片。IBM的研究人員將100個與《Morgan》同類型的電影預告片按照“場景”切分，用于訓練Waston。Waston從視覺，聽覺和情緒的角度分析數據，以“學習”什么使恐怖電影預告片更吸引人。當系統獲得了對標準科幻恐怖電影預告片的“理解”，研究人員將90分鐘的電影《Morgan》交給Waston，Waston立即推薦了10個“場景”共6分鐘的鏡頭作為預告片。整個過程從開始到結束共花費了24小時，相比之下，傳統的電影預告片開發過程通常需要幾個星期。 IBM Waston Media高級產品經理David Kulczar說，“《Morgan》只是一個試點，我們將看到越來越多的接班人向這個方向前進。”IBM Waston在體育界也有過類似的嘗試——通過從多個角度實時分析網球比賽過程中的視頻片段和粉絲的反應，來生成比賽精彩片段。Kulczar強調，“我們正在朝著自動生產和在生產過程中使用人工智能技術的方向前進。”

國內的媒體也在積極嘗試。2017年12月26日，中國第一個媒體人工智能平臺“媒體大腦”由新華社正式發布上線。當日上午，中國第一條MGC（機器產生內容）視頻新聞產生，機器僅耗時10.3秒，就生產出了一條2分08秒的視頻新聞。MGC新聞，即運用人工智能技術，由機器智能產生的新聞。其生產過程是：首先通過攝像頭、傳感器、無人機等方式獲取新的視頻、數據信息，然后經由圖像識別、視頻識別等技術讓機器進行內容理解和新聞價值判斷。依托于大數據的“媒體大腦”會將新理解的內容與已有數據進行關聯，對語義進行檢索和重排，以智能生產新聞稿件。同時，人工智能還將基于文字稿件和采集的多媒體素材，經過視頻編輯、語音合成、數據可視化等一系列過程，最終生成一條富媒體新聞。

人臉替換

近期大熱的人工智能項目deepfakes，可以實現給視頻中的人物換臉。如果把明星演的電影，主角的臉換成你的，是一張你的會動會有表情的臉，是不是會很有趣？

完成視頻換臉，你需要做的事：

收集照片

分別收集需要進行替換的兩個人的圖像，可以使用各種圖片搜索引擎。

從原始照片中提取面部圖像

可以使用OpenCV提供的人臉檢測函數，采用的算法是方向梯度直方圖（Histogramof Oriented Gradient， HOG）。

在照片上訓練模型

訓練模型的一種方法是使用自動編碼器（autoencoder），自動編碼器的結構如下圖所示：

左半部分是編碼器（Encoder），右半部分是解碼器（Decoder），輸入的數據經過神經網絡降維到一個編碼（code），接著又通過另外一個神經網絡去解碼得到一個與輸入原數據一摸一樣的生成數據，然后通過去比較這兩個數據，最小化他們之間的差異來訓練這個網絡中解碼器和編碼器的參數。

Deepfakes需要訓練兩個自動編碼器，第一個自動編碼器只與需要被替換的人臉相關。訓練得到編碼器和解碼器A。

第二個自動編碼器只與用來替換的人臉相關，與第一個自動編碼器共享同一個編碼器，訓練得到解碼器B。

使用模型轉換原視頻

在原視頻中檢測出需要替換的人臉，將這些圖片輸入到訓練好的編碼器中，用解碼器B解碼，然后替換回原視頻中。

內容修改

內容結構和基于對象的分析開辟了人工智能協助實際內容開發的新途徑。學習屏幕上角色的行為，走動，談話以及所有可能的面部表情的細節，人工智能系統可以創建出虛擬的表演。華盛頓大學的研究人員創造了一個超現實的巴拉克·奧巴馬發表的演講，事實上他并沒有給出過這樣的演講：

http://nationalpost.com/news/world/ai-creates-hyper-realistic-video-of-barack-obama-delivering-a-speech-he-never-gave。

這個演講中的部分內容，是來自奧巴馬的其它演講，結果是奧巴馬在西區演講的視頻，包含了許多他在其它場合發表的言論，甚至還有奧巴馬模仿者的話語。

其基本流程如下圖所示：

基于訓練好的循環卷積神經網絡（Recurrent Neural Networks， RNN）將輸入的音頻轉化為一段嘴型序列

合成嘴部紋理

增強紋理細節和牙齒

將嘴型與真實視頻中的臉部混合并且匹配頭部動作

該技術引起了一些令人不安的可能性，但研究人員表示，目前為止使用這種技術發表的任何虛假言論都相對容易被發現，甚至可以使用相同的技術對其他視頻進行逆向工程，以確定它們是否是假的。

人工智能在內容創造的領域還只是邁出了一小步。生產過程中仍然存在許多方面可以從人工智能獲益。

決定創意

制造商使用神經網絡來綜合多種復雜因素，以確定哪種類型的內容值得生產。例如，如果你知道你的電視劇視頻具有最高的瀏覽量，通常情況下，你可能傾向于制作更多的電視劇視頻。但是，如果考慮到其他因素（如生產成本，人才成本，權利和許可，受眾參與，社交傳播，聯合機會等），你可能會發現喜劇視頻往往具有較高的投資回報率。人工智能是推動這些深度計算的引擎。

2016年3月日本廣告公司MaCann Erickson推出了名為AI-CD ?的人工智能創意總監。驅動這個人工智能創意總監的機器學習算法的訓練數據包括電視節目以及近十年日本電視節獲獎作品的詳細信息。通過數據挖掘，系統可以提取適合特定客戶的廣告創意和主題。

2016年9月，AI-CD ?與MaCannErickson創意總監Mitsuru Kuramoto進行了一場友誼賽，為一個薄荷糖品牌制作廣告，廣告最終由民意測驗來評判。雖然最終AI-CD ?以46%：54%惜敗Mitsuru Kuramoto。但是這個嘗試顯示了人工智能在廣告制作上的前景。

簡化編輯

使用傳統的方法，基于數小時的原始鏡頭來制作紀錄片，通過手動排序和捕獲某素材的相關信息將耗費數周時間，更不用說匯總相關的片段進行編輯了。使用人工智能，可以通過兩種方式消除大部分的時間：（1）通過面部，對象和文本識別自動捕獲大量的元數據；（2）通過優化搜索，快速找到內容池中的關鍵幀。這樣，當編輯需要特定幀的時候，可以使用人工智能更快地找到它。

優化存檔

假設你在素材上花了很多錢，想從中獲得最大的收益。人工智能可以通過強大的元數據捕獲技術對現有內容進行索引，你會發現現有的存檔內容可以更容易地重新調整以供將來使用。例如，在一個已經購買的素材包內找到相關的視頻片段來補充一場直播可以在幾分鐘內完成而不是幾個小時。目前Ooyala Flex與Microsoft Video Indexer在這一領域有密切的合作，希望使用這項技術幫助發行商克服傳統方法繁瑣的缺點。

總結

對于人工智能現在以及將來會給媒體生產帶來的影響，Valossa首席執行官兼首席技術官Mika Rautiainen表示，不斷變化的媒體形式以及對消費和創造的挑戰意味著視頻需要更快速地生成，并且通過多平臺以不同的格式提供。“所有這些都需要創建，制作，交付和管理錄制的視頻材料的更高效的流程。。. AI可以得到有效的培訓，以簡化最耗時和重復的流程”。