不再僵硬：机器人靠看视频学会超逼真嘴部动作

IT之家 1 月 19 日消息，在哥伦比亚大学的一间工程实验室里，一款人形机器人已能以前所未有的逼真度活动嘴唇。这项由创意机器实验室（Creative Machines Lab）主导的研究，首次实现了自主系统仅通过视觉学习，就掌握了用于说话和唱歌的自然唇部动作。

据IT之家了解，这一成果攻克了人形机器人设计领域的一大核心难题：面部动作的违和感。尽管机器人在行走、抓取和整体灵活性方面已取得重大突破，但面部表情，尤其是与语言相关的唇部动作，仍然是一个尚未攻克的领域。

即便是顶尖的人形机器人，其嘴部动作也往往显得僵硬、如同木偶一般，难以营造出栩栩如生的效果。人类对这类细微的违和感极为敏感，这种心理现象正是研究人员所说的“恐怖谷效应”的成因之一。

该研究团队采用了一种全新的学习方法，机器人没有遵循为每个元音或音素编写的固定规则，而是通过实验和模仿来学习唇部力学。其面部由覆盖在 26 个微型马达上的柔性合成皮肤构成，能够复刻出语言表达背后细微的肌肉运动变化。

研究人员首先让机器人面对镜子，使其观察自身数千种随机表情。通过这一过程，机器人掌握了马达运动与不同面部形态之间的对应关系，研究人员将这一阶段称为“自我探索期”。

在理解自身运动机制后，机器人开始学习人类的语言表达。它通过分析数小时的人类说话、唱歌视频素材（源自 YouTube），建立起唇部动作与声音之间的统计学关联。这套名为“视觉-动作转换模型”的训练流程，能让系统直接将音频转化为同步的马达控制指令，无需依赖明确的语音编程，即可实现逼真的唇部动作。

测试结果显示，这款机器人能够配合多种语言完成唇部同步运动，甚至还能演唱其人工智能原创专辑《Hello World》中的曲目。尽管目前的动作仍非尽善尽美，如“B”这类爆破辅音，以及“W”这类噘唇音的模仿，仍是待解难题，但进步效果显而易见。创意机器实验室主任、机械工程学教授霍德 · 利普森表示：“它与人类的互动越频繁，表现就会越出色。”

这项突破的意义远超娱乐层面，更关乎人机交流的深度。能够传递细腻情感的机器人面部，或将从根本上改变人机互动的方式。研究负责人胡宇航（Yuhang Hu，音译）指出，将逼真的面部动作与 ChatGPT、Gemini 等对话式人工智能相结合，可增强人机交互的情感共鸣，让“彼此理解”的错觉更加真切。假以时日，随着模型学习到更丰富、更长的对话语境，这些微表情动作也将具备更强的情境感知能力。

利普森认为，这类研究填补了机器人技术中一个长期被忽视的维度。他解释道，大多数人形机器人研究都侧重于肢体机械性能，如腿部、手部动作与移动能力，却忽略了面部情感表达。然而，对于应用于教育、医疗和养老领域的机器人而言，逼真的面部表情与实用的肢体灵活性同等重要。随着全球人形机器人量产进程加快（部分经济学家预测，十年内产量将达数十亿台），面部动作的逼真度或将成为决定公众接受度的关键因素。

胡宇航表示：“我们正濒临跨越恐怖谷的临界点。未来的人形机器人，必然会拥有灵动自然的面部表情。”

不过，胡宇航与利普森均承认，这项技术背后潜藏着复杂的心理学与伦理学挑战。随着机器人变得越来越通人性，人机之间的情感边界可能会逐渐模糊。长期致力于机器人共情能力研究的利普森呼吁保持审慎：“我们必须循序渐进、谨慎探索，才能在收获技术红利的同时，将潜在风险降至最低。”

该研究成果已发表于《科学 · 机器人学》期刊。