张文军 中国工程院院士、上海交通大学讲席教授
未来的视听不仅要提高清晰度，有更加丰富和生动的内容，还要在表达上达到一种美感。同时，要更加强调与用户的互动。我将其概括为“诗情画意的新视听”。
做到这一点离不开智能视听技术的发展。用智能视听服务人民的美好生活，需要触手可及的优质内容供给，身临其境的多样体验，以及人人参与的全民共创。
古人写诗作画有“写实”“写意”之分。我认为，智能视听也包括“写实”和“写意”。“写实”是基础，即视听服务从真实场景出发，保证内容真实可信。“写意”是升华，即表达方式可灵活变化，突出个性表达、视角选择、情景适配，按照任务需求和用户偏好来生成和呈现内容。“写实”是保可信，“写意”是显个性，两者缺一不可。“写实”与“写意”兼顾，就有可能组建一个“诗情画意”的场景，这也是未来新媒体的服务目标。
高质量的视听内容是新媒体服务的“写实”基础。目前，视频已成为移动数据流量的主体，视频占全球移动数据流量的比例已达到80%。国家广播电视总局数据显示，截至2025年底，全国有线电视超高清用户已达5600万户；2026年3月公开数据显示，有线电视和IPTV超高清机顶盒超3亿台，6家头部网络视听平台新增内容的超高清占比近50%。超高清新媒体服务已有了一定的规模和发展基础，大家正在追求更广泛的应用场景，更高的质量需求和更丰富的视听体验。
在让视听技术“写实”的过程中，涌现了很多技术。比如真实视听信号的采集、编解码、传输与呈现技术，以及提升分辨率、拓展动态范围、增强色彩、从二维视频转向多视角与三维视频等相关技术。
超高清新媒体夯实了未来媒体服务的“写实”基础，但也遇到了发展瓶颈。编码效率持续提升，但增益趋缓。视频需求持续增长，内容形态仍需不断升级。视听服务的核心矛盾从“搬运比特”转向“表达内容”。突破瓶颈的关键，在于打开“写意”空间。
可控的内容生成模型为打开“写意”空间提供了机会。我强调“可控”的内容生成模型，它在技术上可生成合理的内容，在安全上有可信的表达。如果实现了“可控”，大模型技术就可以拓展视听内容的“写意”表达空间。
我从三个层面理解智能视听的“写意”表达。可感知，在传统基础上看得清、看得真；可理解，能真正读懂内容的核心信息；可生成，能按需对内容作合理改变。“写意”必须和“写实”结合。我提出了一个“双流”设想：参考流锚定真实，特征流传递意图。参考流不变，锚定原著人物、核心情节、文化设定这些不能动的骨架；特征流可变，承载画风、镜头、节奏这些可以改的表达。
在实践层面，“诗情画意新视听”可以支撑表达、体验、创造三类场景。同时，还需要解决一些关键问题、攻克一些技术，并做好产业转化。
在表达场景方面，视听和世界模型技术融合，可以构建能够演化的叙事世界。这项技术把故事拆解为场景资产、光照条件、声音线索、动作轨迹等各种要素，通过分级控制要素和组合，锚定角色与场景并按需生成叙事，实现“千人千面”的多样视听体验。但我们还需要攻克可控编辑、条件生成等技术。
在体验方面，视听和具身智能技术融合，可以实现“身临其境”，得到更强的交互体验。在不远的未来，观众甚至可以和电视里正在表演的角色交互，机器人不用预设反应，而是迅速理解并反应观众的需求。这有利于打造可感知、可交互、可协同的沉浸式文化体验，拓展演艺、文旅与现场娱乐的新场景。但目前视听表达如何转化为现场动作仍是难点，多模态感知、动作映射、闭环控制等技术仍待攻克。
在创造方面，视听和智能网络技术融合，将实现创作者上行、数据可信流通、跨地域的资源共享与协作共创，激发万众创新的热情，推动文化出海，形成开放共享的文化内容生态，助力中国文化走向全国、走向世界。
（科技日报记者孙瑜整理 主办方供图）
网友评论
