跨越声音障碍，虚拟数字人「手语翻译官」开发落地实践

1.1 用户规模

世界银行的数据显示，全球大约有11亿残障人士，全球听障人士约有7000万+，中国残疾人总残疾人人数为8500万人左右，听障人士约2780万，占全国残疾人口的约30%，每年新增20万；浙江有90万。全国范围内手语老师数量不足, 专业的手语老师就更是少之又少。

1.2 聋人生活中的困境

• 与健听人的简单交流，即便使用文字也不能顺畅交流，再加上部分年长受教育程度低的人群，文字交流也困难。

• 由于听障人群的受教育程度以及独特表达和理解方式，导致他们的文字表述和语法结构与健听人完全不同，即便通过文字也无法便捷无障碍的与健听人沟通。听障人群与健听人之间的沟通障碍，严重影响了听障人群的生活质量。听障人群与健听人的沟通需求主要集中在几下情况：

较复杂的交流，就医、纠纷、水电煤银网办事等具有一定专业性、复杂性的交流场景，需要有一个专业的手语翻译人员协助， 否则就是下面这句话：

听人完全看不懂，这是在说什么？

深度交流：听障人士需要与听人进行深度的交流，通常是有一定专业性、复杂性的交流场景，如就医、水电煤银网办事等；

信息获取难度大：听障人士需要从听人世界的影音内容中获取更多的信息，而当前手语内容覆盖有限。

2.1 产品调研

✪ 调研用户画像

听障人士：

1）听力受损程度在中重度及以上，在参与社会生活方面存在中度障碍，借助我们提供的产品，能有效提升其社会生活日常沟通效率；

2）会相对标准的手语，其通过手语所表达出的信息，在听障人群中，能被大多数听障人士看懂并理解；

3）至少具备普通智能手机使用能力。

听人：

1）与听障人士密切生活的非听障人群，与听障人士有较大的日常交流沟通诉求；

2）公共服务机构（政府、银行、医院、快递、商场等）的工作人员在日常工作中，可能会遇到要为听障人群提供服务的场景。

✪ 痛点场景

简单交流：听障人士需要与听人进行简短的交流，对话轮次通常不超过10轮即可完成，内容为日常生活所需的交流场景，如日常购物、出行、问询、工作交办；

深度交流：听障人士需要与听人进行深度的交流，通常是有一定专业性、复杂性的交流场景，如就医、水电煤银网办事等；

信息获取：听障人士需要从听人世界的影音内容中获取更多的信息，而当前手语内容覆盖有限；

参加会议：听障人士需要从有声会议中获取会议信息，当前主要通过讯飞的语音识别技术转成文字；

✪ 线下调研

停车期间，通过微信视频，和他人进行手语沟通。相比于常人，A接打视频几乎是秒通，上午3小时的观察过程中，约有20次左右的视频接打。在车上主要通过车载手机支架固定手机。

分析：听障人士对手机视频通话的依赖较大，视频通话功能使用极为频繁。今天见到的几乎所有的听障朋友，均随身携带充电宝。

A没有去前台寻求帮助，径直走向电梯，出电梯后观察是否自己要去的地方，经历1-4-3-2-1多楼层寻找后，才到前台寻求帮助，打字告诉对方自己要找谁。

分析：和普通人沟通存在一定的障碍，导致听障人士非必要情况下，不会主动寻求常人协助，形成天然的鸿沟。

进入沟通室后，法官建议使用微信平台上的微法院进行图文沟通。但A坚持使用手之声APP，在排队等待后，进入真人手语翻译视频通话。用手机支架将手机放置在桌面后，通过视频里的远程手语翻译，和法官完成了需要进行的沟通。A先是表达了另一涉案人的近期信息，之后提出要求，在法官给出处理意见后，A表示认可，并结束通话。适应了加入手语翻译的节奏后，对话过程的障碍相对较小。

分析：虽然能打字进行IM对话，但对A来说，还是认为远程手语翻译介入后的沟通效率更高。在环境简单不嘈杂，参与对话人数仅为3人（A、法官、远程手语翻译）的情况下，是可以进行沟通的。对A或是其他听障人士来说，使用手语翻译的效率，比起文字沟通要高很多。输入文字给对方看，适用于日常简短的沟通。如果是一个时间较长较正式的沟通，还是需要稳定的环境和手语翻译的帮助，才能顺利完成。

✪ 双向手语翻译的难点

1）我们就是第一人

我们是“首个”以双向手语翻译为目标的项目，实现从0到1的过程。现阶段同类的手语合成产品，按照自然语言的语序采用逐字翻译，忽视了听障朋友的语言逻辑与健听人语言逻辑的差别，导致听障朋友理解困难。现阶段手语识别还未有成熟的商用产品，精度仍然是最大的挑战。

2）巧妇难为无米之炊

由于听障朋友对外交流有限，已有手语数据存留较少，且具备手语能力的人群数量较少，进一步减缓了数据沉淀的速度。与语音识别、语种互译相比，获取充足、高质量的手语数据难度不言而喻。

3）手语的区域特性

由于听障朋友的活动区域局限，形成大到地区、小到社区的多元化手语打法风格。这对于数据沉淀的覆盖范围，以及数据本身多样性对算法的挑战都十分巨大。

4）手语是视觉语言

手语是一门视觉语言，语言表达顺序与自然语言完全不同且没有固定语法约束。手语生成需要生成符合听障人群表达习惯，便于理解的语言；相当于学习了一门新的语言，而不是单纯的逐字翻译，例如：自然语言中“灭火”在手语中的表达是“火→灭”，因为先看到火才能灭。

5）纯视觉方案的手语识别

相对于现有基于昂贵传感器的手语识别，我们是首个采用纯视觉方案（仅依赖手机摄像头），需要实时精准的图像处理算法研发，从捕获的手语视频中提取有效的空时信息，进行手语识别。

这里涉及实时高效的处理高维度的视频数据，同时要处理手语本身的多元性、多样性表达。这对视觉算法提出了更高的要求。

手语语速快，动作精细和多变，动作间相似度高。

6）工程难度大

业务并发量大：与以往的工程架构不同（接口调用），现阶段提供流媒体服务，若高并发的时候需要大规模的集群和资源调度。

响应延时问题：流媒体本身就有几百毫秒的延时，再加上双向翻译的流程中嵌入了大量的算法模块，导致延时加长。延时翻译非常影响产品的交互体验。

2.2 双向手语翻译

本文主要讲解技术实现，产品上仅仅放了实现后的一些产品使用。大家可以在支付宝上搜索《现声》体验。

产品链路：

2.3 手语合成

可以在数字人手语播报平台进行手语内容的生产：

https://avatar.aliyun.com/#home

依托云原生技术，池化数字人云渲染服务，实现数字人的不同业务模型下的快速服务，完成手语翻译单设备单工开发及手语合成实时翻译、文本转手语合成翻译、视频转手语合成翻译。

3.1 技术方案设计

1）因为涉及实时图像识别，对于网络带宽的要求非常高，所以我们当前将视觉相关算法和流媒体部署在同一个pod，从而降低网络开销及识别时延。

2）手语识别技术最大难度是“手语识别的图像数据来源，以及图像数据的标注团队”，技术上必须解决训练数据的生成效率问题。

3）由于听障和听人信息交互方式存在差异，听障朋友给出的是物理世界能形容的事物，整句话是由一堆动/名词组成，还会涉及到倒装，所以必须加一个手语词汇转自然文本的翻译模块。

4）相同与第3点，手语合成也需要一个文本转手语模块，将自然文本转换成手语词汇，同时面临第2点一样的数据问题。

• 专有名词解释
  

• 媒体服务：流媒体模块，负责编&解码，rtc渠道的订阅和推送，本地视频转码录制，解码后图片推送。
  

• 手语识别：算法模块，按照协定的图片格式输入图片，输出一系列手语词汇。
  

• 手语转文本：算法模块，输入手语词汇，输出自然文本。
  

• 手语合成：算法模块，输入手语词汇，情绪及等级，输出手语keypose和bs数据。
  

• 文本转手语：算法模块，输入自然文本，输出手语词汇，并且传输给BH模块。
  

• 行为交互逻辑：工程模块，统一决策调用数字人交互逻辑。
  

• agent：工程模块，负责各个POD容器之间的消息传输。
  

• 3D渲染引擎：渲染模块，负责数字人实时渲染，生成数字人帧数据。

3.2 方案落地

初期产品上希望实现单设备双工模式，确实也实现了一个单设备双工模式，但由于环境噪音依赖终端设备的降噪，手语摄像头安放位置等等因素，最终确定使用单设备单工模式。

✪ 单设备单工模式-《现声》

• 解决ASR识别不准确问题， 可实时在线进行人工干预。
  

• 解决手语识别不准确的情况下进行人工干预。
  

• 单工模式下手语翻译官支持主动打断，这需要依赖行为交互逻辑模块的实现交互逻辑的处理。

1）手语识别帧数据要求为10FPS、360P。

2）端上通过RTC将帧数据推送上来。

3）media在数字人没有启动的前提下，会自动向手语转手语词汇模块发送空白帧数据，空白帧数据为全0图片数据，算法不会产出任何结果。

4）数字人开始工作后，流媒体解码出第一帧时候，并且发送手语转手语词汇模块，  手语识别才开始工作，手语转手语词汇发送识别结束事件给行为树。

5）手语识别中间会实时返回识别结果，结果为累积数据，并且通过手语识别结果事件发送给行为树模块。

6）行为树模块将手语识别结果发送给手语词汇转自然文本模块。

7）手语词汇转自然文本模块会产生手语识别结束事件，并且进行本地redis缓存。

8）行为树决策引擎，等收到手语识别结束后，行为树向前端发送手语识别结束事件，默认回到数字人界面，等待播报内容。

9）如果需要进行语音播报，行为树会发送播报文案给媒体，并且发送文案给前端展示，流媒体合成tts后，插入到流媒体里面。

• 实时手语合成算法处理方案
  

• 关于手语标注数据，可以参考《手语众包》这一章节。
  

• 算法核心会计算词汇动作与词汇动作之间的过渡帧，及词汇动作到空闲动作的过渡帧，这要求数据标注的时候，尽量标注出空间最接近于空闲动作的那一帧数据。
  

• 实时手语合成unity处理方案，通过实时渲染加媒体视频编码转RTC的方式实现。

核心目的：解决数字人交互过程中， 工程、算法、前端等各个模块对数字人行为变化及C端GUI交互反馈。抽象数字人行为节点，降低代码开发，通过编排的方式快速实现数字人业务落地。

1）行为树提供大量的流程控制方法，使得状态之间的改变更加直观；

2）整个游戏AI使用树型结构，方便查看与编辑；

3）方便调试和代码编写；

4）最重要的：行为树方便制作编辑器，可以交由策划人员使用。

✪ 手语合成

1）算法及协议复用单设备单工流程，修改行为树逻辑实现，仅实现行为树任务流程管理。

2）实时手语翻译、离线文本手语翻译及视频手语翻译保持同一套架构。

3）离线音视频手语合成，因为手语的速度与音频播报速度不一致，针对手语给出的时间消耗是不一样的，所以需要离线音视频手语合成专门做定制。

4）实时手语合成，由BH模块复用行为树实现，但是行为树的编排存在差异。

5）离线文本&离线视频合成由BH模块实现定时任务实现。

6）离线音视频手语合成音视频用左对齐的方案实现。

7）离线合成整体的渲染流程与实时渲染保持一致。

8）表情驱动：

• 文本转手语输入文本，识别用户情感类型及情感强度。

• 词汇转手语输入用户情感类型和强度，从而输出数字人表情和动作。(表情和动作是事先标注和制作完成的。)

• 情感分7个类别和3个强度来进行表情驱动。

1）数据对于手语来说是最核心组成部分。

• 数据的产出是特殊人群。
  

• 数据的定义和拆解无法靠听人解决。

2）3D手语动作数据的采集方案、成本等都没有可参考的成功案例。

4.1 3D数据资产

✪ 3D资产静态生产流程

• 静态资产包含“原画”，“中之人3D超高精度模型5000万面”，“高/中/低灰模”，“蒙皮贴图”，“服装道具”，“头发”，“BS&骨骼绑定”，“蒙皮绑定”。静态资产做完之后，才能进入动捕阶段。
  

• 为了降低整体的生产成本， 我们打算使用手语老师作为中之人， 防止由于3D模型服装道具的变化，引入的动作资产的修改。
  

• 人物原型设计主要是人物原画的输出。
  

• 模型制作
  

• 蒙皮贴图
  

• BS面部绑定
  

• keypose绑定
  

• 衣服&道具制作
  

✪ 3D动态资产制作

• 动捕设备确定，最终我们确定使用光学动捕。
  

• 手套，使用数据手套进行动捕。
  

• 动捕场地和供应商由我们指定。
  

• 动捕完成后由指定供应商进行精修。
  

• 动捕资产交付上线。

4.2 手语众包

✪ 手语词典

难点：如何组织一批无法沟通，特殊领域的群体，生产我们需要的数据。因此我们选择支付宝作为手语众包的载体。

• 词根：指单一一个手语动作，最小手语颗粒度

• 融合词汇：由多个词根组成的手语词汇
  

• 专有名词：应用于特殊领域的专业词汇
  

• 敏感词：指不可以进行播报的词汇，比如涉黄、涉毒等等
  

• 一词多义：一个自然词汇有多种打法
  

• 相似打法：一种打法可以映射到多个自然词汇上

✪ 数据标注