Sony 內部展示《地平線》AI Aloy 聊天機器人的影片雖已遭官方下架，但經過小編的努力不懈終於在推特上找到備份，讓玩家得以一窺完整技術示範內容。
Sony 近日一段「AI Aloy」技術展示影片在網路短暫流傳，雖已迅速遭官方下架，卻已經在玩家圈與開發者社群間引爆激烈爭論。影片中出現《地平線》女主角 Aloy 由 AI 控制的對話示範，讓人直呼「這是遊戲未來最可怕的樣貌」。
據《The Verge》報導，影片由 Sony 軟體工程總監 Sharwin Raghoebardajal 主持，他在影片中展示如何透過 OpenAI 的 Whisper 聲音辨識模型、GPT-4、Meta 的 Llama 3，以及 Sony 自家「Emotional Voice Synthesis（EVS）」語音合成系統與「Mockingbird」嘴型對嘴技術，與 Aloy 進行一問一答互動。
這項技術雖然運行於 PC，但據說未來也能在 PS5 實裝。然而展示效果卻頗為「詭異」：Aloy 的聲音毫無情感，嘴型對嘴更像是一場廉價的動畫災難——有人甚至形容那像Youtube那個AI做的「Will Smith吃義大利麵」的恐怖畫面。
這段「Will Smith 吃義大利麵」原本來自網路迷因影片（”Will Smith eating spaghetti”），是一個由 AI 生成人物影像的早期範例，畫面裡 Will Smith 嘴巴扭曲地吃著義大利麵，動作極度不自然，堪稱 AI 擬真技術「失敗示範」的代表作，常被拿來形容嘴型動畫對嘴失調的尷尬感。
「AI Aloy」引發業界強烈反彈
許多遊戲創作者對此實驗技術表達強烈不滿。《Cyberpunk 2077》續作編劇 Anna Megill 批評道：「我寧願對著宮崎英高設計的那堆扭曲四肢講話，也不想跟這個 Aloy 聊天。」前 Sony Santa Monica 敘事設計師 Alanah Pearce 也坦言對此技術「徹底失望」。
事實上，遊戲產業早已逐步嘗試導入 AI 與大型語言模型（LLM）進入角色對話，但目前多數成果仍停留在「尷尬、空洞、重複」的初步階段。許多開發者甚至諷刺，AI 玩家互動不過是為了延長玩家在線時間、提升日活指標而非真正的敘事革新。
表演者權益危機浮上檯面
更嚴峻的問題，是演員與創作者的權益。為 Aloy 配音的 Ashly Burch 以及其他遊戲表演者，過去一年持續為 AI 合約保障展開抗爭。他們擔憂企業將演出素材餵給 AI，免費生成更多語音與演出，既無需支付報酬，也剝奪原創控制權。
這類擔憂在 Sony 的這支「AI Aloy」影片中被放大：若將來 AI 可完美模仿 Burch 的語音語調、臉部表情，那 Aloy 是否還是 Aloy？還是只是另一個用來收割玩家注意力的商業殼子？
諷刺的是，《Horizon》系列正是描寫人類如何在 AI 毀滅世界後求生的故事。而如今 Sony 卻親自演出了一場「未來再度失控」的序章。若未來的 Aloy 不再是精心雕琢的角色，而是無止境回應玩家的聊天工具──那麼，她與《Horizon》故事中那些失控系統又有何不同？
影片解析：工程師對話開啟互動
影片由 Sony 軟體工程總監 Sharwin Raghoebardajal 出鏡示範。他站在電腦螢幕前，開口對 AI Aloy 發出語音指令：
“Hi Aloy, what are you doing?”
Aloy 停頓一秒後以合成語音回應：
“Just exploring the area, making sure everything is safe.”
觀察可見，Sony 使用了 OpenAI Whisper 辨識語音輸入，再由 GPT-4 輸出語意，最後以自家 Emotional Voice Synthesis 技術合成 Aloy 的語音回應。嘴部動畫則由 Mockingbird 技術驅動，但動作明顯僵硬、對嘴失準。
Sharwin 繼續提問：
“Where can I find salmon bones to upgrade my pouch?”
Aloy 回應：
“You can find salmon bones in the river near the cliffs. Try looking near the rocks.”
這段對話呈現了 GPT-4 處理遊戲內物品查詢的能力，雖然資訊準確，但語氣平板，缺乏情緒與自然語調。
Sharwin 隨後測試角色理解情境問題：
“What do you think of this place?”
Aloy 回答：
“It’s peaceful. But I always stay alert. Danger can be anywhere.”
這裡展現了 AI 模擬角色語氣與個性，但仍明顯缺乏真正角色演繹的靈魂。
Sony自曝技術架構
影片中段插入畫面切換，Sharwin 介紹整體系統：
- Whisper：負責即時語音辨識
- GPT-4 / Llama 3：處理語言理解與回應生成
- EVS：Sony Emotional Voice Synthesis 合成語音
- Mockingbird：嘴型動畫處理
Sharwin 表示：「這只是未來可能性的其中一瞥。」
「臨場互動體驗」構想
影片尾段模擬玩家在遊戲中呼叫 Aloy 提問路線：
“How do I get to the Tallneck nearby?”
Aloy 回答：
“Follow the path to the north. You’ll see it standing above the trees. I can mark it on your map.”
Sharwin強調，這種 AI 輔助對話未來可提供「更自然的角色互動體驗」，甚至支援任意語音查詢、不受劇情限制。
