北京2022年8月24日 /美通社/ -- 近日，在浪潮 & NVIDIA元宇宙算力發(fā)展研討會(huì)上，浪潮信息和NVIDIA分享了如何使用浪潮元宇宙服務(wù)器MetaEngine與NVIDIA Omniverse快速構(gòu)建高逼真的交互型數(shù)字虛擬人。
數(shù)字人生產(chǎn)需要強(qiáng)大的多元算力支撐
虛擬數(shù)字人是元宇宙的主要實(shí)體，就像是元宇宙世界中的公民，是人類身份在虛擬世界的載體。隨著2021年元宇宙風(fēng)起，更高擬真、超寫實(shí)，具有強(qiáng)交互性的新一代虛擬人開始涌現(xiàn)，且正在被規(guī)模化應(yīng)用到不同產(chǎn)業(yè)場(chǎng)景。
數(shù)字人生產(chǎn)可以拆分成人物建模、人物驅(qū)動(dòng)、人物渲染和感知交互四個(gè)作業(yè)環(huán)節(jié)。AI能夠加速虛擬數(shù)字人生產(chǎn)的每個(gè)作業(yè)環(huán)節(jié)，可以說AI正在改變數(shù)字人的生產(chǎn)范式，將數(shù)字人的創(chuàng)作周期大幅縮短，提升生產(chǎn)效率，推動(dòng)數(shù)字人產(chǎn)業(yè)快速發(fā)展。
這樣一種新范式的背后其實(shí)是更巨量和多元的算力需求。具體而言，數(shù)字人和其他實(shí)體的建模需要眾多設(shè)計(jì)師協(xié)同創(chuàng)作完成，這就需要底層平臺(tái)具有強(qiáng)大虛擬化和云端協(xié)同計(jì)算能力；當(dāng)數(shù)字人建模完成之后，數(shù)字人自身的運(yùn)動(dòng)，數(shù)字人和其所處的數(shù)字環(huán)境、以及其他實(shí)體的相互作用需要大量的結(jié)構(gòu)力學(xué)、彈性力學(xué)，以及多體動(dòng)力學(xué)等物理仿真算力需求；讓數(shù)字人無限接近自然人，需要高逼真、沉浸感的3D渲染，例如阿麗塔高度擬真的視覺特效來源于光線追蹤、光柵化、DLSS等巨量的圖形圖像算力支撐；在智能交互環(huán)節(jié)，由AI驅(qū)動(dòng)的數(shù)字人往往需要結(jié)合語音識(shí)別、NLP、DLRM等AI算法從而實(shí)現(xiàn)交互能力，這些模型的背后需要強(qiáng)大的AI算力來支撐其訓(xùn)練和推理。此外，現(xiàn)實(shí)世界和數(shù)字世界的交互則需要超低延遲的網(wǎng)絡(luò)數(shù)據(jù)傳輸，來創(chuàng)造更流暢的沉浸式的數(shù)字世界體驗(yàn)。
由此可以看出，元宇宙的構(gòu)建和運(yùn)行需要強(qiáng)大的多元算力支撐。這也對(duì)算力基礎(chǔ)設(shè)施提出了更高的要求，不僅是高性能、低延遲、易擴(kuò)展的硬件平臺(tái)，還需要有端到端、生態(tài)豐富、易用的軟件棧。
浪潮MetaEngine：元宇宙算力平臺(tái)
浪潮元宇宙服務(wù)器MetaEngine就是要打造支撐元宇宙的軟硬一體化算力基礎(chǔ)設(shè)施。為此，浪潮與英偉達(dá)聯(lián)合打造業(yè)界超強(qiáng)軟硬件生態(tài)，為數(shù)字人和數(shù)字孿生的構(gòu)建提供多元算力，以及豐富的技術(shù)和工具，為用戶打造高效的元宇宙協(xié)同開發(fā)體驗(yàn)。
在硬件上，MetaEngine采用浪潮領(lǐng)先的異構(gòu)加速服務(wù)器，支持最先進(jìn)的CPU和GPU，具有強(qiáng)大的RDMA通信和數(shù)據(jù)存儲(chǔ)能力，可提供強(qiáng)大的渲染和AI計(jì)算能力。
在軟件上，MetaEngine可以支持對(duì)應(yīng)每個(gè)作業(yè)環(huán)節(jié)的各類專業(yè)軟件工具，用戶可以根據(jù)使用習(xí)慣靈活選擇。同時(shí)系統(tǒng)全面支持NVIDIA Omniverse Enterprise，是經(jīng)過優(yōu)化的OVX系統(tǒng)，可提供用于構(gòu)建和部署大規(guī)模數(shù)字孿生的相關(guān)功能及性能。用戶可以通過Kit功能將不同的SDK進(jìn)行模塊化的組合，快速完成定制化App或者微服務(wù)的開發(fā)。互聯(lián)插件CONNECT可以通過通用數(shù)據(jù)格式USD實(shí)現(xiàn)第三方專業(yè)軟件工具無縫連接，目前CONNECT已經(jīng)提供了20多種Plugins，支持與3DS MAX，UE, MAYA等軟件互聯(lián)，解決不同軟件之間難以打通、互操作性弱的痛點(diǎn)難題。
MetaEngine還整合了浪潮"源"大模型和浪潮AIStation智能業(yè)務(wù)創(chuàng)新生產(chǎn)平臺(tái)的能力。浪潮"源"大模型參數(shù)規(guī)模高達(dá)2457億，具備知識(shí)問答、多輪對(duì)話、中英翻譯、寫作古詩等零樣本或小樣本的推理能力，可以讓虛擬人像人類一樣進(jìn)行自然語言交互。而針對(duì)浪潮"源"需要多GPU計(jì)算設(shè)備協(xié)同工作的問題，浪潮AIStation可實(shí)現(xiàn)多計(jì)算資源的智能調(diào)度管理，保證模型服務(wù)的高吞吐、低延遲。
浪潮MetaEngine - NVIDIA Omniverse快速構(gòu)建高逼真交互型數(shù)字人
浪潮信息與NVIDIA強(qiáng)強(qiáng)聯(lián)手，基于MetaEngine和NVIDIA Omniverse Enterprise推出了具備統(tǒng)一多軟件格式、支持多人協(xié)作、支持實(shí)時(shí)驅(qū)動(dòng)和實(shí)時(shí)光線追蹤渲染的虛擬人解決方案，強(qiáng)大的算力平臺(tái)及豐富的軟件棧讓虛擬人構(gòu)建由難變易，尤其適合大規(guī)模虛擬人制作場(chǎng)景。
方案集成了創(chuàng)建數(shù)字人的流程和技術(shù)，可以快速生成毛發(fā)、皮膚、細(xì)節(jié)都非常逼真的超寫實(shí)數(shù)字人，幫助數(shù)字人制作用戶更好地創(chuàng)建自己的數(shù)字虛擬IP。
使用方案中的NVIDIA Ominiverse audio2face工具，通過很簡(jiǎn)短的一段音頻輸入，就可以驅(qū)動(dòng)這段語音對(duì)應(yīng)的表情，大大加速數(shù)字人的制作過程。
來源：NVIDIA “使用NVIDIA Omniverse auto2face制作AI驅(qū)動(dòng)的面部動(dòng)畫”
在動(dòng)作識(shí)別方面，以往采用光學(xué)和慣性動(dòng)作捕捉技術(shù)，需要真人演員驅(qū)動(dòng)，并使用大量的攝像頭、傳感器，制作難度大、成本高、周期長(zhǎng)?，F(xiàn)在，借助浪潮MetaEngine - NVIDIA Ominiverse方案，可以基于人體骨骼點(diǎn)二維運(yùn)動(dòng)特征向量進(jìn)行動(dòng)作識(shí)別，進(jìn)一步映射到數(shù)字人軀體上，快速驅(qū)動(dòng)數(shù)字人的表情和動(dòng)作。
此外，還可以實(shí)現(xiàn)數(shù)字虛擬人和真實(shí)人類的交互。虛擬人可以識(shí)別真實(shí)人類的動(dòng)作、肢體語言和反饋，再通過NLP模型、圖形圖像處理軟件，根據(jù)機(jī)器學(xué)習(xí)算法決定說什么話，來吸引真實(shí)的人類，和人類進(jìn)行交互。
來源：NVIDIA “與愛因斯坦虛擬人對(duì)話”
如何使用浪潮MetaEngine和NVIDIA Ominiverse來構(gòu)建高逼真的交互型虛擬數(shù)字人呢？下面按照人物建模、人物驅(qū)動(dòng)、人物渲染、感知交互的作業(yè)流程來說明。
首先可以使用UE metahuman等軟件配合Omniverse的nucleus/connect進(jìn)行3D人物形象及人臉建模。
然后通過高精仿真，讓虛擬數(shù)字人的動(dòng)作和行為更加物理準(zhǔn)確。
接下來實(shí)時(shí)渲染環(huán)節(jié)，RTX Renderer可以提供實(shí)時(shí)渲染能力，讓人物動(dòng)畫及其場(chǎng)景實(shí)時(shí)立體地展示在用戶面前，通過屏幕或XR設(shè)備進(jìn)行溝通交流。
最后是智能交互，這部分需要有大量的AI模型提供支撐。用戶首先通過ASR和Vision AI模型進(jìn)行語音和圖像識(shí)別，進(jìn)一步將識(shí)別得到的結(jié)果送入全球領(lǐng)先的中文語言模型浪潮"源1.0"大模型來生成應(yīng)答的語言文本，在這個(gè)部分AIStation推理平臺(tái)會(huì)負(fù)責(zé)管理源1.0及語音模型，源回答的結(jié)果，會(huì)經(jīng)過tts模型轉(zhuǎn)化為語音，然后送入NVIDIA Omniverse audio2face，通過語音驅(qū)動(dòng)數(shù)字人面部產(chǎn)生逼真的表情及面部動(dòng)作，并通過RTX Renderer實(shí)時(shí)渲染能力生成動(dòng)畫視頻作為輸出與用戶交互，讓對(duì)話及交互更加自然真實(shí)。
