整合前瞻科技 創新影視產業的發展策略-以虛擬實境為例
77
0
0
全文
(2) 誌謝 誠摯感謝指導教授謝璧蓮老師，引領論文討論並悉心教導。還要感謝口試委員， 交大科管所/電子工程系黃經堯教授/副院長和台師大管理學院院長周世玉教授，百 忙當中抽空指導和評委我的論文口試，讓我得以順利完成影視產業創新發展策略 的研究，完成我人生另一個重要的里程碑；教授們的嚴謹指導是我輩學習的典範。 另外亦得感謝五位專業和經驗豐富的影視界好友的指教點評，黑龍影片導演 及編劇查迪奇(Dicky Chalmers)、製作人魏滔(Gideond. Welles)、新銳導演林真豪和 吳念真企劃製作有限公司製作鄭年翔。因為有您們於影視實務上的協助，輔助我的 論文研究能夠更符合目前影視產業實務上真正的狀況。 感謝我的家人在兩年求學期間，給予我的支持與鼓勵，即便是犧牲了很多陪伴 家人的時間。有妳們在背後默默支持是我前進的動力，讓我無後顧之憂的學習與完 成學業，我的成就也是你們的驕傲。 感謝台師大管理學院的每一位師長，總能在我有疑惑時為我解惑。感謝求學期 間所有的學長姐，有你們與我共度這兩年時光，讓我研究生生活更加美好充實與豐 富，有你們陪伴使我的生活更多彩多姿，無論是學術上的討論、言不及義的閒扯、 趕作業的革命情感，感謝眾位學長姐、同學的共同砥礪，恭喜我們順利走過這兩年， 讓我們共同擁有這珍貴的美好回憶。 最後，謹以此文獻給我摯愛的師長、家人、同學以及所有關愛我的朋友，在此 謹敬上最高謝意與感激，謝謝你們。. 鄭智文. 謹誌於. 臺灣師範大學管理學院研究所 民國一○七年六月一日 2.
(3) 中文摘要 論文題目:整合前瞻科技 創新影視產業的發展策略-以虛擬實境為例 論文頁數: 77 頁 研究所組別:高階經理人企業管理碩士在職專班 研究生: 鄭智文 指導教授: 謝璧蓮 教授 論文中文摘要： 影視產業正面臨第三波數位科技革命的轉型浪潮，台灣的影視內容製作公司 該如何整合過內科技供應鏈和人才，搶在浪頭趁風而起，將國內影視產業更橫向拓 展推向國際。 視覺革命往往是改變世界的主要動力引擎，VR 科技將會改變影視產業，帶動 周邊軟硬體感應系統的市場，並開拓出遊戲電影的新形態影視類別(第八藝術)影視。 影視產業最大的風險在於觀眾的喜好和需求難以預估，靠大數據(BigData)優化劇 本和預估票房的應用日趨成熟；透過 AI、MR(AR)技術來優化後製作業和發行決策 的影視應用也越來越多。透過數位發行、社群行銷來取得粉絲行為和輿情數據，以 及影視串流(OTT)平台和區塊鏈(Block Chain)智慧合約的崛起也打破了傳統的發行 和播映方式。在 5G IoT 的推動下，結合線上線下(O2O)打造跨媒體的內容智權生 態圈是影視產業的終極目標。 本研究將彙整出最適發展策略和商業模式，供國內影視製作公司策略參考。. 關鍵字:虛擬實境(VR)、大數據(BigData)、人工智慧(AI)、混合實境(MR)、擴增實 境(AR)、影視串流(OTT)、區塊鏈(Block Chain)、5G、物聯網(IoT)、線上線下(O2O) 3.
(4) ABSTRACT The film and television industry is facing a wave of transformation in the third wave of digital technology revolution. How Taiwan's film and television content production companies integrate internal technology supply chains and talents will grab the wind and rise in the wind, and will further expand the domestic film and television industry to the international level. The visual revolution is often the main engine to change the world. VR technology will change the film and television industry, drive the market for peripheral software and hardware sensing systems, and open up a new form of film and television movie (eighth art) film and television. The biggest risk of the film and television industry is that viewers’ preferences and demand are difficult to predict. The use of big data to optimize scripts and estimate box office applications is maturing; AI and MR(AR) technologies are used to optimize post-production and distribution decision-making. Applications are also increasing. The acquisition of fan behavior and public sentiment data through digital distribution, community marketing, and the rise of OTT platform and Block Chain wisdom contracts have also broken the traditional way of distribution and broadcast. Under the impetus of 5G IoT, combining the online and offline (O2O) to create a crossmedia content intellectual power ecosystem is the ultimate goal of the film and television industry. This study will summarize the most appropriate development strategies and business models for the reference of domestic film and television production companies.. 4.
(5) 目錄 誌謝 ...................................................................................................................................2 中文摘要 ...........................................................................................................................3 ABSTRACT ......................................................................................................................4 目錄 ...................................................................................................................................5 圖目錄 ...............................................................................................................................7 表目錄 ...............................................................................................................................9 緒論 ...................................................................................................................10 第一節 研究背景和動機 ...........................................................................................10 第一項 研究背景....................................................................................................10 第二項 研究動機....................................................................................................12 第二節 研究問題和範圍 ...........................................................................................13 第一項 研究問題....................................................................................................13 第二項 研究範圍....................................................................................................14 第三節. 研究對象和目的 .........................................................................................15. 第一項 研究對象....................................................................................................15 第二項 研究目的....................................................................................................16 第四節 研究流程 .......................................................................................................17 影視前瞻科技 ...................................................................................................18 第一節 影視科技現況-3D、4D、5D、7D、9D 技術 ............................................19 第二節 影視產製(製片)前瞻科技 ............................................................................24 第一項 前製-大數據劇本決策、劇本優化、受眾分析、劇組選角..................24 5.
(6) 第二項 拍攝-虛擬實境..........................................................................................29 第三項 後製-多元感官模擬器和自然互動界面..................................................34 第三節 影視發行(營銷)前瞻技術 ............................................................................36 第一項 智權-區塊鏈、自動內容辨識..................................................................36 第二項 發行-大數據發行策略評估......................................................................38 第三項 宣傳-數位行銷(社群、眾籌)、推薦服務 ...............................................39 第四節 影視播映前瞻技術 .......................................................................................40 第一項 線上-OTT 影音串流平台、網路院線、影音壓縮 .................................40 第二項 線下-VR 主題館(LBVR)、戲院直播、沉浸式劇院 ..............................42 第三項 互動式影視-機器視覺、機器學習、深度學習......................................45 文獻分析 創新理論和商業模式 .....................................................................48 第一節 創新理論 .......................................................................................................48 第二節 商業模式 .......................................................................................................51 研究方法和架構 ...............................................................................................54 個案分析 ...........................................................................................................55 第一節 專家訪談 .......................................................................................................55 第二節 研究發現-影視科技路徑圖和商業模式圖 ..................................................61 第三節 最適發展策略 ...............................................................................................66 第四節 個案實證 .......................................................................................................68 結論與建議 .......................................................................................................70 參考文獻 .........................................................................................................................72 附件 .................................................................................................................................73 6.
(7) 圖目錄 圖 1- 1 影視產業價值鏈圖 ...........................................................................................15 圖 1- 2 研究流程圖 .......................................................................................................17. 圖 2- 1 3D 視覺運作原理 ...........................................................................................19 圖 2- 2 3D 攝影(左)、投影(右)原理..........................................................................20 圖 2- 3 6 DOF 自由度和動態模擬機械平台 .............................................................21 圖 2- 4 4D 座椅、5D 特效 .........................................................................................21 圖 2- 5 7D 影視示意圖 ..............................................................................................22 圖 2- 6 9D 影視發展圖 ...............................................................................................23 圖 2- 7. 大數據劇本決策、觀(受)眾分析 ..................................................................25. 圖 2- 8. 大數據選角 .....................................................................................................26. 圖 2- 9 VR 雙鏡頭全景相機(左) HMD 呈現左、右兩眼視差影像(右).................30 圖 2- 10 2D、3D、VR 影視差異比較 ......................................................................30 圖 2- 11 GoPro(左)和 Facebook(右)全景相機 ...........................................................31 圖 2- 12 Lytro 六角形蜂巢式排列方式取像 ............................................................32 圖 2- 13 AI 合成嘴型和聲音特徵說明圖..................................................................33 圖 2- 14. 觸覺回饋衣功能 ...........................................................................................35. 圖 2- 15. 大數據營銷策略評估 ...................................................................................38. 圖 2- 16. 過失殺人 Manslaughter VR 場景圖 ............................................................44. 圖 2- 17. 互動式影片劇情橋段分點示意圖 ...............................................................45. 圖 2- 18 FVAE 辨識系統 ...........................................................................................46 7.
(8) 圖 2- 19 FVAE 測試結果 ...........................................................................................47. 圖 3- 1. 破壞性創新理論 .............................................................................................49. 圖 3- 2. 商業模式圖 .....................................................................................................51. 圖 4- 1 研究架構圖 .......................................................................................................54. 圖 5- 1 VR 影視創新理論圖 ......................................................................................61 圖 5- 2 VR 影視市場區隔圖 ......................................................................................61 圖 5- 3 影視科技路徑圖 ...............................................................................................65 圖 5- 4 最適發展策略 ...................................................................................................66 圖 5- 5 最適發展商業模式 ...........................................................................................67 圖 5- 6 最適發展策略實證 ...........................................................................................69. 8.
(9) 表目錄 表 1- 1 影視產業價值鏈圖 ........................................................................................... 11 表 5- 1 研究發現表 ........................................................................................................62. 9.
(10) 緒論 第一節 研究背景和動機 第一項 研究背景 影視產業歷經兩波數位革命，技術整合藝術的創新模式已經成為市場顯學。在 第三波物聯網革命(Internet of Things，後簡稱 IoT )和虛擬實境(Virtual Reality，後 簡稱 VR)視覺革命推動下，勢必會再次破壞影視產業版圖，並開創新的商業模式。 (參下表 1-1 影視產業價值鏈表) 20 世紀末第一波數位網路革命，全球科技和影視產業龍頭，矽谷和好萊塢聚 集在加州合作；開始採用數位攝影、電影特效和電腦動畫，開啟矽塢(Siliwood)科 技電影的浪潮。1999 年喬治盧卡斯(George Walton Lucas)執導的數位大片「星際大 戰首部曲:威脅潛伏」(Star Wars Episode I : The Phantom Menace)，引領影視產業鏈 進入數位化時代。 21 世紀初第二波行動通訊和 3D 革命，數位多媒體內容於電視、資訊、電信三 網融合成數位匯流(Digital Convergence)，並開始於跨媒體(Crossmedia)平台上播映； 逐步改變觀眾觀賞影視內容的習慣。導演詹姆斯．卡麥隆(James Cameron)的 3D 大 片「阿凡達」(Avatar)大賣，成功重新帶動 3D 視覺革命，影視產業於 2009 年正式 進入 3D 時代。 如今第三波物聯網和 VR 革命已經風生水起，未來將會構建全新虛實整合的 超媒體(Transmedia)生態圈。在這重要轉型時刻，台灣文創產業如何整合國內高科 技產業和人才優勢，提升國際影視競爭力；並利用政府前瞻數位建設資源，拓展海 外包含東協、華人、歐美市場，在全球影視市場求生甚至成為贏家。 10.
(11) 科技革命. 第一波數位網路革命. 影視產業趨勢. 20 世紀末矽塢(Siliwood) 科技電影的浪潮。. 第二波行動通訊和 3D 革 21 世紀初電視、資訊、電 信三網融合成數位匯流， 命 跨 媒 體 (Crossmedia) 平 台。 第三波物聯網和 VR 革命 構建全新虛實整合的超 媒體(Transmedia)生態圈。. 代表大片 1999 年喬治盧卡斯的「星 際大戰首部曲:威脅潛伏」 ，引領影視產業鏈進入數 位化時代。 2009 導演詹姆斯．卡麥隆 的「阿凡達」大賣，影視 產業於 2009 年正式進入 3D 時代。 2018 史蒂芬．史匹柏「第 一玩家」，掀起影視產業 VR 熱。. 表 1- 1 影視產業價值鏈表 (來源:本研究整理). 11.
(12) 第二項 研究動機 李安導演於天下雜誌「探索與創造」論壇中提到：『台灣目前有很強的技術， 但沒有整合和經驗累積，台灣電影環境就差一點。』(李安談話(2016.10)，天下雜誌「探 索與創造」論壇)。台灣擁有豐沛的文化和歷史題材，領先的科技技術和優質人才。但. 目前精彩的故事沒拍成作品，科技也沒串連影視的需求和應用。國內缺乏如何利用 前瞻科技，應用於影視內容的深入研究。這是一個需要不斷探索、積累經驗的過程， 成功關鍵是創作者對技術和藝術皆能諳熟於心並融會貫通。如果對技術不瞭解，製 作出的畫面很難將 VR 體驗展現得淋漓盡致；如果僅精通技術卻創作力不足，就會 缺乏海闊天空的想像力。科技人才往往是嚴謹的邏輯思維方式，藝術人才則是天馬 行空的感性思維。本研究以科技角度研究近期可行的前瞻科技，訪談影視專家和蒐 集國外影視應用案例，推演「以 VR 為例，整合前瞻科技，在全球競爭中脫穎而出 的影視創新發展策略」。 眾多新媒體藉由前兩波浪潮趁勢崛起，亦有許多傳統媒體慢慢隨風而逝。創新 改變已成為新常態(New Normal)，影視產業正面臨又一次關鍵性的轉變，期許本研 究能夠幫助國內影視產業整合科技產業，搶在第三波革命的浪頭與國際接軌。抓緊 這個機遇，運用 VR 技術以軟扶硬，製作新型態創新內容，將眾多可貴的無形價值 的創意和文化轉換為有形的文創文化價值。擴大一源多用將內容 IP 價值極大化。 並加強運用數位發行，虛實整合線上線下資源，和關鍵合作伙伴策略聯盟，擴大取 得獲利空間；真正創造出產業價值來擴大經濟規模，貢獻經濟成長，由過往的分餅 經濟轉型成為造餅經濟。. 12.
(13) 第二節研究問題和範圍 第一項 研究問題 眼睛為靈魂之窗，人類有高於 70%的經驗或資訊來自於視覺；歷史上每一次 視覺媒介革命，例如紙張、印刷、報紙、電視等……總是能撼動並帶動改變世界的 巨輪。視覺科技的每一次突破，都是為了追求更逼真，更真實。本研究將以 VR 為 主要技術驅動力，整合其他各項前瞻技術，應用於影視產製、影視行銷、影視傳播， 創新影視發展策略。核心研究問題如下:. (一) 以 VR 為例，整合前瞻科技對既有影視生產製片的應用有哪些? (二) 以 VR 為例，整合前瞻科技對既有影視發行營銷的應用有哪些? (三) 以 VR 為例，整合前瞻科技對既有影視傳播放映的應用有哪些? (四) 探討創新影視內容對於編劇、導演、製片、演員的挑戰和因應方式? (五) 整合前瞻科技後的影視科技路徑圖和商業模式為何? (六) 台灣影視內容製作經營者最適的發展策略為何?. 13.
(14) 第二項 研究範圍 本研究以台灣影視內容製作公司，提供 VR 沉浸和互動體驗為其價值主張，整 合其他前瞻科技，在全球數位匯流平臺競爭中脫穎而出。研究的前瞻科技要可實行、 可預估、可普及為前提，避免淪為理想很豐滿，現實卻很骨感。 數位匯流包含的數位內容可分為數位影音應用、電腦動畫、數位遊戲、行動應 用服務、網路服務、內容軟體、數位學習和數位出版典藏八種。文化創意產業分為 電影、廣播電視、表演藝術、視覺藝術、數位內容、音樂及文化資產應用及展演設 施、工藝、出版、廣告、產品設計、視覺傳達設計、設計品牌時尚、建築設計、創 意生活、流行音樂及文化內容十六種產業。文化部文創產業內容及範圍(2015.09.16)因行 動網路的普及和頻寬和品質提升，改變人們觀賞瀏覽的行為模式，以致數位內容和 文創產業間的分界異常模糊，並且藉由平臺優勢異業跨界(Crossover)發展更是常有 的事。影視產業也因匯流平臺的成長，加速影視產業全球化的競爭，全球化會漸漸 和在地化並重。因此本研究不針對單一區域市場為範圍，而以全球化市場為考量。 也因此未將各區域、國家關於媒體、內容、平臺或文化的法規問題考量在研究範圍 內。 本研究範圍彙整如下: (一) 以影視產業為主要研究範圍。 (二) 以 VR 視覺革命為主要研究範圍。 (三) 以全球市場而非針對單一區域市場為研究範圍。 (四) 未考量各別區域當地法規的可能限制，因為非針對單一區域市場。 (五) 以製作高品質商業長片(超過 90 分鐘的)為主要目標市場。. 14.
(15) 第三節 研究對象和目的 第一項 研究對象 本研究以台灣影視內容製作公司為對象，(參圖 1-1 影視產業價值鏈圖)以 VR 為核心，整合各種可行的前瞻科技，應用於影視生產製片、發行營銷、傳播放映， 創新價值主張，於全球市場競爭。. 台灣影視內容製作公司. 版權費. (劇本、影片、衍生&授權市場) 分帳. 服務. 發行. 分帳. 消費. 圖 1- 1 影視產業價值鏈圖 (來源:本研究整理) 15. 廣告.
(16) 第二項 研究目的 聯合國教科文組織、國際作者和作曲者協會聯合會、安永聯合會計師事務所 2015 年底共同發布文化與創意產業報告「文化時代—首份文化與創意產業全球地 圖」(Cultural times—The first global map of cultural and creative industries)中提到全 球文創產業的產值占全球 GDP 的 3%，創造之就業人口也占全球就業總數的 1%。 因此文創產業是已開發國家經濟轉型的重點產業，由於其附加價值高，增長速度高 於經濟成長速度，引領著未來經濟的發展。但影視產業投資風險極高，過往靠內部 成長擴充營運規模已不可行，需要垂直和橫向整合資源，始能應付瞬息萬變的多元 市場。(文化創意產業推動服務網第三篇文創產業發展重要議題) 本研究目的如下： (一) 應用創新理論，推演 VR 和前瞻科技於影視產業的應用趨勢。 (二) 應用創新理論，闡釋過去發展和推演未來的發展策略。 (三) 協助影視產業對前瞻科技不熟悉的創作者，提供可能的發展策略參考。 (四) 深入淺出談科技電影，供國內影視內容製作業者未來拓展全球市場的發展 策略參考。. 16.
(17) 第四節 研究流程 研究流程依序為 1.擬定研究主題 2.確定研究背景和動機 3.設定研究問題和 範圍 4.設定研究目的和對象 5.擬定研究流程和發法 6.擬定研究架構 7.影視現狀 科技探討 8.影視前瞻科技探討 9.創新理論文獻探討 10.專家訪談個案蒐集 11.資 料彙整、分析和結論 12.擬定影視科技路徑圖 13.規劃商業模式圖 14.擬定台灣影 視內容製作公司最適發展策略 15.最適策略個案實證 16.研究結論和建議 參下圖 1-2 研究流程圖. 圖 1- 2 研究流程圖 ( 來源:本研究整理 ). 17.
(18) 影視前瞻科技 經典名著「美麗新世界」(Brave New World)描繪 26 世紀人類看電影(或者說是戲劇)， 是在電影(戲劇)院中看擬真機器人現場表演；坐在可以模擬或傳遞各種知覺感受的座椅， 觀眾能完全沉浸在戲劇中。沉浸感(或者是臨場感)分為生理和心理上的沉浸，生理上視、 聽、體、味、嗅五感擬真。心理上的沉浸，心理距離(Psychical Distance)是瑞士心理學家 布洛(Edward Bullough)提出的主張；當觀眾心理距離小的時候，比較容易沉浸(進)入情境 中；當心理距離遠的時候，觀眾則傾向在旁觀察，沉浸感的心理關鍵就是要儘可能地縮小 心理距離。這正是 VR 令人著迷之處，藉由對視覺的剝奪，創造出比影視和戲劇更沉浸感 的體驗。VR 並非新科技，人類一直在嘗試加入各種感官元素來增加沉浸感。歷經二十年 發展，現今 3D、4D、5D 影視技術日趨成熟，7D、9D、5K、8K 持續與時俱進。VR 技術 的改善，讓觀眾能沉浸並互動於虛擬世界中。雖然內容題材和模擬的感知有所限制，但觀 眾對真實和幻覺的追求沒有極限。 數位軟、硬體產製能力增強，累積了大量數位內容和市場資料庫；迪士尼開始研究透 過機器學習(Machine Learning)來蒐集觀眾對於內容的喜好反應，並藉由大數據(Big Data)和 人工智慧(Artificial Intelligence,後簡稱 AI)來增加對觀眾的黏著度。 5G 加上 IOT 將顛覆人類的生活型態，打破既有產業、產品、服務和產業鏈的界線，整 合不同線上線下通路(行動通信、有線電視、網際網路、電信、電網)，提供各種內容服務(影 視、教育、娛樂、廣播)，傳送到多樣載具(行動電話、平板電腦、聯網電視、電腦)，透過新 媒體體驗來滿足情感需求。根據 2017 思科視覺化網路（Cisco Visual Networking Index™， VNI 報告） ，到了 2021 年，超過 82％的全球行動數據流量將來自影音，46 億網路使用者， 271 億的網路設備聯網。這將改變人們觀看習慣和方式，以及過往由家庭、工作、學校或社 會所組成的群體圈，將融合世界每一個角落同樣感受的觀眾成為一個新的虛擬社群生態圈。 18.
(19) 第一節 影視科技現況-3D、4D、5D、7D、9D 技術 3D 視覺革命，2009 年電影阿凡達(Avatar)全球熱賣，推動 IMAX 3D 影視內容的普及。 4D 體感革命，動感(Seat Movement)座椅，依據影視劇情移動、震動，擴增觀眾的臨場感。 5D 特效系統，依據影視劇情發展產生煙、霧、水、閃電(光)、氣味、風效、泡泡等特效。 7D 互動革命，不只是「看」電影，還可以「玩」 ；觀眾的反應或回饋可以決定劇情的發展。 9 D 是使用頭戴顯示裝置，搭配 3D~7D 前瞻科技；讓觀眾沉浸於人造的虛/實模擬世界中。 3D 影視技術是利用光學「偏光原理」，觀看經過電腦運算模擬自然雙眼(Binocular vision:來源:Wiki)的視覺，使觀眾猶如親眼目睹立體(Stereoscopic)的物體，而有別於目前 2D 顯示的平面視覺。偏光原理是由於人類雙眼位置不同，兩隻眼睛大約有 1~5 公分(瞳孔 有 5~7 公分)的距離；雙眼同時看同個物體的視角會不同，會各看到一邊的影像而產生兩 眼視差(Binocular Parallax)和移動視差(Motion Parallax)，影像經視網膜傳到大腦，大腦進 行三角計算(Triangulation)結合視差產生遠近深度，從而產生第三維度景深(Depth)的立體 感。「單用一隻眼睛並無法看到三維立體空間的圖像，我們必須透過大腦合併來自雙眼的 兩個圖像之才能看到立體圖像，這也是為什麼我們可以從不同角度估計到深度和距離的原 因。」(來源:蔡司台灣官網 3D 眼鏡的運作原理: 3D 視覺的運作原理 參圖 2-1 ). 圖 2- 1. 3D 視覺運作原理. (來源:蔡司台灣官網 3D 眼鏡的運作原理: 3D 視覺的運作原理). 19.
(20) 3D 顯示技術區分為穿戴設備和裸眼兩大類，穿戴設備又分眼鏡型和頭盔型；眼鏡型為 目前 3D 顯示的主流，頭盔型目前仍持續優化且將爆發成長。3D 影視使用兩台攝影機代表 左、右眼同步拍攝畫面(參圖 2-2 左)，再使用兩台放映機同步投放左、右影像於銀幕上(參 圖 2-2 右)。當觀眾戴上偏光眼鏡後，藉由快門眼鏡快速遮蔽左右眼，讓觀眾的右眼僅能看 右影像、左眼僅能看左影像，再將左、右影像疊加於視網膜上，由大腦產出 3D 景深距離的 立體視覺效果，感受強烈的身臨其境。「阿凡達」3D 立體影視的票房佳績，讓 3D 影視趨 勢迅速向全球開展。全球 3D 電影院的標準是由 DCI(Digital Cinema Initiatives)2006 年起草 的「數位立體影院補充規範」(Digital Cinema System specification)。裸眼 3D 全像(息) (Holography)投影、光場顯示(Light Field Display)多種技術，目前相關軟、硬體、和製作成本 高，設備笨重複雜、影像解析度、色階、色彩飽和度、明暗度、資訊流通量、空間等限制； 短期不利於應用於商業長片市場，但有機會整合應用於其他類別娛樂應用或短片中，因此 本論文不多作研究。但光場(Light Field) 擷取技術對影視製作的突破非常重要，將會在 2.2.1 說明。. 圖 2- 2. 3D 攝影(左)、投影(右)原理. (來源: Tai Shimizu 網站) 20.
(21) 4D 是體感革命，有 2、2.5、3、6 四種自由度( Degree of Freedom，後簡稱 DOF)DOF 的 機械懸吊式控制動態座椅或各種動感模擬器，讓觀眾融入影視和情境一致的前、後、左、 右、上、下移動或震動。配合劇情需要，設計出精準的程式碼觸發座椅上、下升降重力軸， 左、右位移滾動軸、前、後縱向移動軸、傾斜和震動搖晃，上下、左右、前後、傾仰、正逆 轉、左右翻、(參圖 2-3 )使觀眾有如臨劇情現場的體感感受。. 圖 2- 3. 6 DOF 自由度和動態模擬機械平台 (來源: Wikipedia). 5D 是情境特效，增加暴風雨、煙霧、水霧、雨、雪、閃電(光)、氣味、香水、空 氣流、熱氣、風效、泡泡、腿部及背部掃搔 和桶背裝置等特效系統，複製劇情內的情境 場景的變化逼真現實，一切情節就在眼前發 生，增強觀眾身臨其境的感受。目前主流 4DX、IMX4D、D-Box 已整合 4D+5D，模 擬各種環境特效設備、聲光電技術，使觀眾 沉浸在模擬的環境當中，體驗強烈的五感衝 擊和臨場感。(參圖 2-4 ) 圖 2- 4. 4D 座椅、5D 特效. (來源:威秀官網 4DX 特色) 21.
(22) 7D 是互動革命，強調不只是”看”影視，而是可以”玩”的電影。觀眾不再只坐著觀 賞電影，而可以使用配置有感應器的各種裝備，加入不同主題不同情境的劇情發展。例如 由多個觀眾組成英雄聯盟，目標是要搶救眾多無辜百姓，每位觀眾可以選擇使用控制感應 槍、刀或劍，並和預錄好的各種影視角色對戰；每位觀眾的對戰成績皆會影響劇情的發展 而進入到不同的關卡，影視系統控制 6 DOF 的動態模擬平臺或動態座椅和環境特效系統， 讓觀眾更能沉浸於劇情，轉變成為故事中的角色。(參圖 2-5). 圖 2- 5. 7D 影視示意圖. (來源: Beston 網站) 9D 目標和 VR 本質上是一致的，結合 3D~7D 多元感官技術（Multi - Sensory） ，觀眾戴 上 VR 頭戴顯示器(Head Mount Display，後簡稱 HMD)後完全沉浸於零死角透的虛擬世界 中，脫離真實的世界；並且若劇情需要能夠自然無縫的和劇情內容互動。世界第一台 9D 概 念裝置是莫頓．海利希(Morton Heilig)1957 年發明的 Sensorama 多元感官模擬模擬器。(參 圖 2-6 左)用這台裝置，在觀看三面顯示螢幕來實現空間感，同時搭配劇情可以聞到花香、 感受清風拂面，附有環繞音效、震動式座椅、讓人真正走進電影的世界，也因此有人稱莫 頓．海利希為 VR 之父。VR 技術於 2.1.2 說明。越來越多具有高風險的專業訓練開始仰賴 22.
(23) 9D 技術；訓練的情境能越真實，模擬訓練的價值才有意義:例如模擬飛行駕駛艙，駕駛各型 模擬飛機，進行狀況模擬和專業科目訓練。影視產業則因為 VR 技術的成熟，越來越多的 Localtion-Base Virtual Reality，後簡稱 LBVR 出現在電影院或其他人潮聚集的地方，結合行 銷活動增強客戶的體驗經濟。LBVR 請參考第二章第四節第二項線下 VR 主題館。. 圖 2- 6. 9D 影視發展圖. (來源: Xindy 官網). 23.
(24) 第二節 影視產製(製片)前瞻科技 第一項 前製-大數據劇本決策、劇本優化、受眾分析、劇組選角 大數據的應用有三種類型，一.事前預測的先見之明，二.事後分析的後見之明，三.對當 下進行判斷並進行即時決策的人工智慧(Artificial Intelligence，後簡稱 AI)。儘管近十年要能 完全由人工智慧創造出影視大片的距離還很遙遠，但影視產業在這方面的應用，已經逐步 深入產業價值鏈中各個環節。 產製階段大數據的應用，有劇本決策、劇本優化、受眾分析和劇組選角幾種。劇本決 策可分為有、無原創 IP 兩種。在有 IP 的情況下，可以協助編劇從大綱、劇本直至成片評估 題材、情節邏輯、敘事結構是否清晰；人物塑造是否平淡、邏輯有無嚴重缺陷？可以協助 發行決定內容定位，如何找到客戶群？如何擬定最優化的拍攝製作專案計劃，如何估算最 合適的專案財務預算，如何制定適合的發行規劃等。對創作者、目標受眾、傳播效果、粉 絲關注點等進行分析，進而判斷如何製作影視作品。隨後，進一步評估是否適合向哪個方 向製作，並為作品修改方向提供建議的系統。然後，無論有無 IP，都可以進入數據應用的 下一環節；研究同類型題材的標杆性內容，區隔出現今播出市場環境，把所有的粉絲想像 成一座金字塔，依照互動的頻繁度分成 3 種粉絲。最頂層是網路互動頻繁的死忠粉絲，雖 然人比較少，但黏著度高；中間層是 1～2 個星期才互動一次的人，可列為潛力開發對象， 進一步開發和經營；最底層則為偶爾才互動的人，像過路客為數最多，可以放入次要經營 對象，透過萃取劇本或樣片中多級多項評估要素，建立更為精細、量化、嚴謹、科學的多 維受眾金字塔分析模型；精準鎖定目標客戶，牢牢抓住他們的心。評估指標則根據市場優 秀樣本和業內專家意見，建立量化標準及檢核模型，完成作品的評估。比如在分析刑偵類 影視時，若製作方向偏推理，則選擇以類似「福爾摩斯系列」等為標杆。用數據分析故事 模式、人物關係、情節橋段、價值取向。並將這些挖掘出來，作為製作部門的參考和改善 24.
(25) 建議。過去，品牌的粉絲情感經營，都是透過電視、報紙、雜誌的廣告，受眾較為被動。現 在，網路上的受眾和傳統媒體習慣不同，他們更主動、更清楚自己想要的是什麼，所以經 營網路粉絲時，不管是大數據取得與分析、溝通內容、廣告的技術等，都要更精準到位， 才能吸引粉絲主動靠近。而且，粉絲數據庫如果經營得好，還可以進一步發展成「會員制」 或「精英會員制」 。雖然「會員制」不一定能一步到位，但是對於優化傳統的 CRM（客戶關 係管理）絕對有幫助。(參圖 2-7). 劇本內容. 觀眾行為數據. 內容分析. 輿情監測 基本屬性:性別、年齡、職業、學歷、收入. 樣本資料庫. 喜好屬性:探險、旅行、運動、音樂、美食 劇本名稱 劇本題材 出場人物 人物關係. 觀眾行為. 劇本概略 分段概略. 搜尋、票房、評分、收視率、評論. 場景. 情節. 快轉、暫停、重播、撥放時間 (網路宣傳片或OTT). 交叉分析. 劇本優化. 劇本選擇. 票房預估 圖 2- 7. 大數據劇本決策、觀(受)眾分析 ( 來源:本研究整理 ). 影視劇中最重要的 3 個靈魂角色，演員、導演和編劇，通過對海量數據的挖掘和統計分 析，就可以對每個編劇、導演、演員等班底的資質、各種題材的經驗、所拍攝過專案的收 25.
(26) 視率進行評價。推薦的標準是與同類型的演員相比較，擇適合者推薦。根據該演員的歷史 過往數據，包括其個人粉絲狀況、網絡熱度、網際網路氣質等再次進行評估，或和潛在合 適的人員比對，對這些人進行評估，最終根據總體風格和氣質決定。此外，對於演藝人員 從未演出過某類角色的情況，可以在影片播放之前，放出該演藝人員的定妝照的方式，來 測試市場反應，根據大眾的反應來最終確定這個演員是否可以演這個角色。例如某導演擅 長製作史詩題材的作品，近年的歷史數據顯示，如果請他執導歷史題材，系統可能會給他 評五星，但如果執導都市情感題材的話，近年的數據展示，系統分析結果可能是一顆星。 (參圖 2-8 大數據選角). 導演. 編劇. 演員. 劇組履歷. 建立劇組 資料庫. 基本資訊. 經歷. 性別 年齡. 題材經驗. 片酬 學歷. 票房. 區域. 收視率. 輿情監測. 撥放量. 受(觀)眾/媒體資料庫 基本資訊. 用戶偏好. 性別 年齡. 搜尋量. 職業 區域. 報到率. 收入 學歷. 口碑聲譽. 交叉分析. 名單建議. 粉絲數 圖 2- 8. 大數據選角. ( 來源:本研究整理 ) 大數據正在改變影視產業的遊戲規則，有第三方劇本醫生利用數據分析工具，來提供 26.
(27) 劇本評估服務；把劇本草稿和已上映的電影相對比，比較兩者的故事類型和結構，並對潛 在觀眾進行訪查，有什麼地方需要做出改變你喜歡的橋段？來尋找獲得票房成功的竅門。 分析後的建議可能有小的改進，也會有大的變動，製片商比以往更加依賴調查研究來減少 猜測的成分。透過編劇參與地數據分析輔助，編劇能掌控變動成為重要成功關鍵。 ScriptBook®是一家比利時新創公司，他們的 AI 系統能夠根據演員、情節和結尾對電影進 行評分，讓好萊塢那些土豪老闆們快速找到值得投資的好電影。工作人員只需要將劇本輸 入進系統，機器便能使用學習演算法自動讀取並對劇本進行分析，對其經濟效益作出預測， 具有潛在商業價值的劇本更容易獲得高分。在電影和出版方面，新的工具有望在海量的稿 堆中找到下一個大賣專案，使編輯從無休止的提交佇列中解脫出來。這些人工智慧工具就 像年輕的助手一樣，他們很有能力並且多產，但仍然需要一個經驗豐富的人來完成智慧型 重任。 「數據可以規避風險，但不能創造經典。」很多時候，數據能夠最大限度降低影視劇 的風險，過往的成功並不能保證未來的成功，但可以增加客觀性，且必需要不斷對大數據 分析進行精益求精的優化；任何大數據分析，也不可能避免小機率事件的發生。電影的創 作和欣賞是建立在感性基礎之上，那通過科學是沒法預測出來的。因此目前精進方向包含 增加數據蒐集來源，避免單純觀察現象無法找到成功邏輯，還必須對導致現象的機制進行 論證和優化，過往是依賴第三方公司對電影票房、排片場次、收視率等相關數據的系統收 集和分析來提供諮詢服務，目前業界普遍開始展開第一步，增加從社交媒體採集數據，或 於自家網站上，誘使觀眾積極自我報告他們的偏好的一手數據後；加上既有媒介資源管理 系統（RMS）作最多維度的數據分析；幫助拆分問題、瞭解細節和評估。且必須要連結到 更龐大的外部資料，進行多一個維度的探索；才可能會提供實質性的價值。 儘管如此，影視數據在運用起來還有一定瓶頸，這也是全行業遇到的難題。第一，沒 有一個統一的數據標準。目前僅能採取以量取勝的方法，即是在海量的可獲得數據中尋找 27.
(28) 一種規律。第二，數據在影視中的運用，並未得到普遍認可，溝通成本比較高。相反的另 一種情況是一些大 IP 改編劇雖然請到了頂級編劇、頂級製作團隊和適合的演員，錢花了、 人請了、宣傳做到了，但最後還是不能讓觀眾買帳，甚至尤其是原著小說的粉絲吐槽聲最 大。劇拍出來雖有大劇風采，但卻常常顯得高冷且不接地氣，問題的根本在於，拍攝之前 沒有做足大數據分析，未對觀眾心理精準把握。. 28.
(29) 第二項 拍攝-虛擬實境 VR 是 3D 後下一個影視革命的機會，VR 會完全改變觀眾與內容的互動關係。VR 的終 極目標是要讓觀眾完全沉浸和自由互動於人工的虛擬世界中；有人稱 VR 為「同理心機器」 (Empathy Machine)，是最能讓觀眾產生共鳴的載體。VR 之父伊凡·蘇澤蘭(Ivan Sutherland) 1968 發明 HMD 後，人類即開始探索這種終極顯示器(Ultimate Display)。VR 大師麥克．海 姆(Michael Heim)於其著作(1994.10)「虛擬現實的形上學」 （The Metaphysics of Virtual Reality) 定義 VR 七大元素，沉浸(Immersion)、全身沈浸(Full body Immersion)、人造(Artificiality)、 模 擬 (Simulation) 、 互 動 (Interaction) 、 遠 距 臨 場 (Telepresence) 、 網 路 通 信 (Networked Communications)。2017 年第 74 屆威尼斯電影節首次開闢 VR 影視競賽，共 22 部影片參展。 電影節主席阿爾伯托·巴貝拉(Alberto Barbera)表示，單獨開闢競賽單元、獨立的觀摩與評審 體系，是為了見證並支持 VR 這項新藝術；台灣導演蔡明亮執導的「家在蘭若寺」 ，也獲得 入圍該競賽。台灣新媒體藝術家黃心健與蘿裡．安德遜(Laurie Anderson)合作的作品「沙中 的房間」，則擒下最佳 VR 體驗獎。『它提供了另一個現實。我們是用創造一個宇宙、一個 空間的概念打造作品，裡面有作品自己的特性，觀眾可以在空間待著；但電影的線性敘事 就做不到這件事』。黃心健(2017.09.26) Chris 專訪金獅得主黃心健：用 VR，打造一座生與死的記憶迷宮。. 一. VR360 全景、光場攝影 目前有兩種方式製作 VR 影視，第一種是實拍，使用多鏡頭組成的全景(Panorama)或 光場相機擷取光學影像和光場資訊後，再使用融合軟體拼接合成 VR 影視內容。例如 Facebook Surrounding 360 第一代屬於前者，2017 年 F8 大會推出的 Surrounding 360 x24 第 二代則結合了兩種技術和方式。第二種是電腦動畫(Computer Graphics)建模和製作 VR 影 視；當然也有結合兩種方式虛擬錄製的 VR 影視內容。觀看的部分，HMD 有分左、右眼 兩眼視角，分別顯示不同角度(相機)的影像，因此可擬真雙眼視覺而感到非常立體的影像 29.
(30) (參圖 2-7)。目前大部分的 VR 內容是 3 DOF 固定視角的影視，雖然影像可以配合觀眾眼 動追蹤功能或頭部動作作 360゜3 DOF 的轉動，但觀眾無法真正於虛擬世界中自由走動。 方法是使用專業的全景相機，錄製完成之後，編輯就會將這些鏡頭連線起來，創造出統一 連續的觀看體驗。最近開始有實驗性質的 6 DOF 內容，能做到讓觀眾於一定的空間內自 由走動，猶如於虛擬世界中漫遊。如電影「魔鬼總動員」(Total Recall, Feitshans & Verhoeven, 1990) 和「駭客任務」(The Matrix, 1999)情節，觀眾可同時生活在真實和虛擬 兩個世界(空間)中。觀眾可以自由選擇鏡頭和視角，這和隔著螢幕觀看一個與自己無關， 與現實有距離感的世界有很大不同的觀眾體驗(參圖 2-9、10、11)。. 圖 2- 9. VR 雙鏡頭全景相機(左) HMD 呈現左、右兩眼視差影像(右) (來源: RED digital cinema camera、Google Cardboard 官網). 圖 2- 10. 2D、3D、VR 影視差異比較. (來源: HuHuVR 官網). 30.
(31) 圖 2- 11 GoPro(左)和 Facebook(右)全景相機 (來源:GoPro 和 Facebook 官網). 光場技術(Light Field)是用光場攝影機拍攝(多個取像系統捕捉)下所有光資訊後，再利 用電腦運算複製出如真實現場的虛擬空間，甚至可以在後製編輯這個場景。光場攝影是目 前最新的 VR 應用技術，被稱為 True 3D；跟 2.1 提的 Stereoscopic 3D 有很大不同。因為 光場技術能讓人眼聚焦到不同的景深，並能保持會聚的距離一致而沒有視差，這是最符合 自然雙眼視覺規律的做法，大腦不會混亂，就不會引起噁心暈眩等症狀。目前主要有三種 光場攝影方式，相機陣列(Camera Array)、微透鏡陣列(Microlens Array)或遮罩式(孔洞陣列 或編碼遮罩)並可配合光學雷達(Lidar)來達成。(參圖 2-12)光場是指在一個空間中，任意點 發出任意方向的光資訊集合；每個像素不是一個點，而是一條射線。捕捉到一定範圍內場 景中所有物體的確切景深、顏色、強度、光線方向、距離、位置指向性資訊，再組合每台 相機捕捉到的影像，計算出四維光場(每個像素採集 4 倍資訊)；重構後的影片稱容積影片 (Volumetric Video)，很像電腦動畫的場景，觀眾可以再場景內進行 6 自由度的移動，並且 用不同角度觀看物體。這種方式很像昆蟲的複眼(Compound Eye)，複眼獲取的就是光場訊 息。光場捕捉可以省去人工建模(Modeling)和材質貼圖(Texturing)，直接捕捉 3D 世界的光 線，只需要將這些光線進行重組和重現，即可讓人看見“真實”世界的技術，用戶不僅可 以上下左右從各個角度觀察事物，更能走近或遠離這個物體。但相對資訊量和後製作業的 31.
(32) 時間非常龐大，大約是每 30 秒 GB，平均 6 分鐘處理每一幀。因此軟體運算技術是目前需 要突破的重要門檻。. 圖 2- 12. Lytro 六角形蜂巢式排列方式取像 (來源:Lytro 官網). 二.MR(AR)濾鏡、AI 去背合成 光場攝影的影像有深度資訊，因此可以直接去背(分離背景)，能讓創作人員在不使用 藍/綠幕情況下直接後製特效，輕易轉換 2D/3D 格式，後期對焦等後製工作。目前 Google 嘗試使用 AI 與機器學習（Machine Learning） ，以神經網路影片分割（Neural network video segmentation）方式成功去背。Google 用神經網絡技術分析並學習數以萬計的圖像數 據，因此能準確分辨出頭髮、頸部、皮膚等數據，藉此將背景分離，並達到去背功效。標 注內容裡包括了精確到前景人物的圖像結構，比如頭髮、眼鏡、脖子、皮膚、嘴唇等等， 各類背景則統一標注為「背景」，讓 AI 藉由大量的資料學會判定前景與背景，將來可以 取代動態捕捉(Motion Capture)技術，優化影視後製流程；幾乎可以說在攝影棚內就可以完 成過往耗日費時且成本高又難以掌控的缺點和風險。華盛頓大學發表一篇論文 Synthesizing Obama:Learning Lip Sync From Audio:ACM Transactions on Graphics, Vol. 36, No. 4, Article 95. (2017.07)，利. 用大量的歐巴馬演說影片，提取聲音和嘴型特徵作為 input，並利用 time-delayed 轉換為隨 32.
(33) 時間變化的嘴型，透過 MR(AR)和 AI 技術，在高速即時運算系統合成了一段高畫質且逼 真的假演說。(參圖 2-13 AI 合成嘴型和聲音特徵說明圖)，以及實際影片和說明 http://grail.cs.washington.edu/projects/AudioToObama/siggraph17_obama.pdf. 圖 2- 13. AI 合成嘴型和聲音特徵說明圖. (來源: ACM Transactions on Graphics). 三.聲音採集和後製 VR 不再是傳統的立體聲 5.1/7.1 格式，人對聲音方位的判斷主要有 4 個依據：時間 差、聲級差、人體濾波效應和頭部晃動。物件定位混音(Object Based Audio)技術，通過頭 部相關傳送功能(Head Related Transfer Functions，後簡稱 HRTF)採集，同時錄製 8 個方向 16 條音軌，實現 48Khz 和 24bit 專業採集，能精準捕捉聲源的方位、距離與運動軌跡，錄 製當下真實的聲場關係。高真環繞聲(High Order Ambisonics,後簡稱 HOF)球形全方向的環 繞聲、雙耳(Binaural Recording)或 QuadBinaural 收音技術。Ambisonics 使用四向聲場式麥 克風（Soundfield Microphone）收音，並以最少 4 組獨立音軌來錄製聲音。雙耳錄音(人工 頭錄音)，使用人頭模型(Dummy Head)，把收音麥克風置於左/右人工耳道中，來錄製模 擬左/右耳聽到的聲音。為專業影視製作還提供了最高 8 個方向 16 軌的旗艦版設備，保證 33.
(34) 複雜影視製作中能更好地採集聲音信息。. 第三項 後製-多元感官模擬器和自然互動界面 猶如電影「一級玩家」(Ready Player One)電影情節中，男主角戴上 HMD 後需要穿 上特殊多元感官衣和鞋，然後在底座上太空漫步，從而於模擬虛擬世界的行走。 眼動追蹤(Eye Tracking)可讓觀眾在頭戴 HMD 時，畫面中心點會較清晰，越往兩邊會 越模糊。因為 VR 內容眼球範圍視野 1~2°，視覺敏銳度高，解析度要求最高，往周圍解析 度可以降低。以此方式影視內容可隨著觀眾觀看的位置進行即時的具象(Rendering)。這樣既 可以得到高清的視覺體驗，可以大幅降低 VR 設備對硬體的要求；並減低人眼需要適應螢 幕的時間，避免用眼過度造成的眼睛疲勞。除此之外人在觀看周圍景物時，直覺是先轉動 眼球，而非轉動頭部去看。若使用陀螺儀的互動方式，視角轉換全部由頭動完成，移動視 差容易造成眩暈問題，眼球追蹤技術恰好可以解決這一問題。同時，透過眼球轉動可以如 滑鼠直接控制選單或觸發操作，可大幅度提升沉浸感。 Immersion®的 TouchSense Engage®觸覺回饋技術是利用壓電薄膜感測力量大小，和產 生震動回饋功能。目前應用於行動裝置 APP 的電影預告片中，浴血任務 3 (The Expendables 3)、007：惡魔四伏(Spectre)、尖叫旅店 2(Hotel Transylvania 2)等。在 007：惡魔四伏預告片 可以觸發手機上的馬達，配合片中的動作和聲音同步產生不同層次與頻率的震動回饋效果， 打造獨特的體驗。HaptX®則是於手套上置入上百個微致動器和氣囊，讓人在 VR 世界中感 受風吹雨打、觸碰動物、溫度變化等各式各樣逼真感受。TEGway® 的感溫手套，則是可以 感受 3゜~43゜的溫度；透過手套內的熱電模組，達到感溫手套的功能。Tesla Suit® 和 HardlihgtVR®是於緊身衣和背心佈滿溫度和反饋感應器、追蹤器、馬達和無線的控制帶，以 追蹤穿衣者精確的動作和提供即時反饋回穿衣者。肌電模擬試通過電流刺激肌肉收縮運動。 兩者的結合能夠給人誤以為自己產生類似真正拳擊的衝擊感。(參圖 2-14) 34.
(35) 體感追蹤( Motion Tracking )、自然使用者介面(Natural user interface，後簡稱 NUI)，手 勢和語音辨識(Gesture and Voice Recognition)技術可以提供更佳的互動科技基礎。另外個人 化的 Ceekars 4D®是採用 4D 物理音頻技術和觸覺回饋(Haptic Feedbacks)來豐富音響範圍的 智慧型耳機。能夠讓用戶感受從四面八方來的聲音，音頻會隨著場景移動而改變。越靠近 音源時，聲音會更清晰響亮，而且還能感受出傳達自一扇門或者一面牆後不同的聲音。另 外透過內置的回饋設備，還可以感受到不同聲音帶來的壓力以及遠近強弱的改變。例如說， 可以從耳機中感受到飛機起飛時的震動之感。其他感官模擬系統，還有萬象跑步機、駕駛 模擬器、漂浮模擬器、飛翔模擬器等……但嗅覺、味覺目前尚未像色彩一樣可以透過基礎 氣味複合而成，因此無法快速複製或還原各種氣味。近年將以視、聽覺革新為主，NUI、體 感互動突破為輔，其他感官模擬則會因為需要客製化而無法廣泛被使用。. 圖 2- 14. 觸覺回饋衣功能. (來源:Teslasuit 官網). 35.
(36) 第三節. 影視發行(營銷)前瞻技術. 科技的進步、消費者喜好的變化改變了影視產業的商業模式。傳統廣告、預告片和海 報的行銷方式也跟著轉變，將消費者轉變成粉絲是新媒體的重要發展策略。融合社交媒體、 大數據、粉絲經濟的互聯網(Online To Offline，後簡稱 OTO)新媒體行銷正如火如荼的加速 擴展。. 第一項 智權-區塊鏈、自動內容辨識 數位文創經濟是創造智慧財產權 (Intellectual Property，後簡稱 IP)，後保護、流通與再 運用來擴大價值。近年由於熱錢湧入影視 IP 市場，改變了遊戲規則，有些市場新/進者以資 本的力量結合媒體炒作、翻新話題。讓新公司、新資本以數據為本，藉由這些 IP 為基礎， 但缺乏製作實力的新公司，以為砸錢搶下 IP 就可拍出好電影。簽約年限通常是 3 年到 5 年， 若沒妥善利用，很快將從資產轉為負債。透過智權契約交易，將可為智慧財產權的價值極 大化，並經由匯流平臺多元運用，形成巨大的智權生態圈。提供 IP 創作支援、跨域媒合、 國內外展示行銷及露出發表平臺，使 IP 轉化為可獲利之商品或證券化，達成 IP 產業化的 戰略目標。使創作者或企業與國內外消費市場可以聯結互動，並獲得資金與通路之媒合協 助，使 IP 可以進入市場流通，創造更大的衍生效益，進而帶動整體產業發展。IP 是可以 無限存活的，從數位的角度，應將繼續進行全產業鏈的開發，不僅是製作影視，還將滲透 到遊戲、動漫、旅遊、主題園區等市場前景更為廣闊。 區塊鏈(Block Chain)技術解決交易的信任和安全問題，並達到 1.分布式帳本 2.對稱加 密和授權技術 3.共識機制 4.智慧型合約的四大應用。這對於版權擁有者來說這是一件好事， 提前於合約約定好分成的比例以及金額，每次內容被播放，他們都能直接獲得營收。影視 產業傳統的融資方式大都是依靠內容製作公司憑關係去找基金，在未來將通過使用區塊鏈. 36.
(37) 技術分散發現和預訂流程，為想要參與其中的任何人開放粉絲投資的世界。區塊鏈精妙之 處在於其去中心化的設計，使每一次交易都能實現全民參與和透明交易，將極大的保證公 平。任何作品的翻拍、改編、版權交易，都可以通過區塊鏈隨時跟蹤查詢。實現影視使用 權和支配權的分離，塑造出影視產業雙層的產權結構，將支配權歸出製作主，利用權和產 權歸屬廣大股東。區塊鏈的形成，將全面革新影視產業價值鏈，建立新的商業模式。應用 區塊鏈技術，推出眾籌、項目發佈製作、分銷推廣等一系列應用，搭建整個影視產業的去 中心化生態，幫助創作者和觀眾直接聯繫起來，把中間商全部解決掉；形成創作者與觀眾 (粉絲)的共用收益機制，是傳統所沒有的。區塊鏈技術可以數位化的支援全球內容生產商， 分銷商和受眾群眾在安全可信的不被篡改的動態連結。區塊鏈將徹底打破大型企業壟斷的 行業規則，讓每一個利益相關者在機會面前人人平等。影視內容以更加安全和不可更改的 方式存儲在區塊鏈上傳輸，區塊鏈革命也將大大減少影視製作成本。 大幅縮短授權和分潤流程，為文創產業開啟新的機會。 透過 ACR（Automatic Content Recognition）自動內容識別技術，根據視訊、圖像、聲 紋（Audio Fingerprinting）來監控與保護版權。也可以經由機器視覺和機器學習，依據辨識 播放內容的關鍵視訊、圖像、聲紋，來蒐集觀眾觀影的反應和回饋資訊，來幫助大數據能 夠增加一維數據是觀眾直接的回饋反映。另外也可以藉由此辨辨識技術，來提供即時回饋， 提升即時互動能力請參考第二章第四節第三項的互動是影視說明。. 37.
(38) 第二項 發行-大數據發行策略評估 影視製作是高風險的冒險，過往的市場調查通常是電影快拍完的時候才開始進行；因 此常遇到製作預算飆升、行銷預算暴漲，對投資者來說風險實在很高。如 2.2.3 大數據所提， 可藉由輿情資訊來做營銷策略之評估。(參圖 2-15) 輿情數據. 數 位 行 銷. 社群媒體. 傳統媒體. 網路影音媒體. Facebook® Instagram® Wechat®. 電視廣告. 入口網站. 平面廣告. 商務平台. 戶外廣告. 遊戲平台. 營銷行為監測 • 新聞 • 廣告 • 宣傳片. 營銷效果評估 • • • •. 票房預測 • • • •. 認知 口碑 票房 放映狀況. 隨時調整營銷策略 控制營銷成本 增加銷售量 圖 2- 15. 大數據營銷策略評估. (來源:本研究整理). 38. 認知 口碑 票房 放映狀況. 數 據 回 饋.
(39) 第三項 宣傳-數位行銷(社群、眾籌)、推薦服務 2017「臺北物語」這部小成本的素人電影，原本僅有臺北少數戲院一天放映三場，卻 因為透過網路社群成為電影文青們的新話題，後來竟然出現一群支持者認為是台灣少見的 非主流電影戲劇化逆勢上揚。粉絲般的觀影行為從線上討論連結至線下活動，除了二刷、 組成後援會，還自發舉辦了狂歡場的演員見面會。經過幾天醞釀，5 月 26 日「臺北物語」 國際影迷總會」正式開啟，一群瘋狂的粉絲開始全力在網路上推廣，討論聲量扶搖直上， 甚至展開了眾籌觀影、見面會等活動，到了 5 月 30 日，該片終於登上新聞版面和媒體粉專， 獲得主流媒體報導，緊接著 5 月 31 日影評人膝關節於其粉絲專頁直播「5/31 票房報告+臺 北物語」引起一千多則留言回應後， 「臺北物語」的網路聲量出現高峰。6 月 1 日起雖然「臺 北物語」的網路討論筆數減少，但電影票房卻維持攀升，到 6 月 4 日的包場活動日達到票 房巔峰。 新媒體公司已經在利用大數據分析的推薦引擎，向觀眾推薦他們喜歡的節目。通過對 多年收視數據、輿情數據分析，對播出平台對應受眾進行城市、年齡、受教育程度和收視 習慣等精確定位，對影視作品發行方、宣傳方及播出平台購劇部門提供準確而有效的評估 報告及決策建議。Netflix®的推薦系統可以提供更精準的行銷給觀眾，幫助 Netflix®節省行 銷成本。要做的就是怎樣給觀眾提供個性化客製化的服務，而不再僅是以電影為本位的共 性宣傳。例如:根據觀眾族群有不同版本的宣傳片，通過對觀眾偏好提供推播宣傳片，最終 創造更吸引觀眾觀看的效果。目前市調公司所做的推廣僅限於提供統計的工作，決策是在 片方或者是公關公司，若將決策機制與資料同樣進行精緻化，或者是即時互動。透過對初 始劇本及觀眾收視行為進行分析，就可以精準掌握作品在哪個播出通路較可能會產生較高 的收視率，也可以分析判斷主流觀眾喜歡的影視類型，還可以把握某一明星的媒體和市場 關注度，並依此決定影視生產計劃，提高成功率，亦可以避免資源浪費。. 39.
(40) 第四節. 影視播映前瞻技術. 數位網路和行動通訊技術已經打破了傳統戲院和電視播映渠道，網路通訊頻寬深深影 響影視產業發展的方向。即將來臨的 5G 及 IoT 時代，將引導未來影視生態圈的發展趨勢。 資誠（PwC®）預估，2016 至 2021 年全球娛樂暨媒體市場之年平均複合成長率（CAGR） 為 4.2％，其中最主要驅動成長的雙箭頭為網路影音業(11.6%)和網路廣告業(9.8%)。IMAX® 為了對抗興起的影音串流平台，在美國洛杉磯成立全球第一間 VR 電影院，讓觀眾戴上 VR HMD 跟裝備，親身走進電影場景中，目前最夯的殺神(John Wick Chronicles)和正義聯盟 (Justice League)兩部影集都推出專門為 IMAX VR®量身打造的互動式遊戲。. 第一項 線上-OTT 影音串流平台、網路院線、影音壓縮 影音串流龍頭 Netflix 創立十年，全球總用戶數截止 2018Q1 達到了 1.25 億。2016 年， 美國的串流媒體服務營收突破 62 億美元，正式超過傳統的 DVD54 億美元，比 2015 年的 61 億美元下降超過 10%。觀看習慣開始遷移，包括用戶，很多人都在網上看了，不僅僅是 年輕人，網上一半的流量可以看出來。再來是內容的遷移，現在出現了很多自製劇，網站 主導做產品；很多電影專業人才開始做網路劇，從大銀幕轉向手機、平板移動裝置。最後 則是廣告的遷移，傳統廣告走向互聯網的遷移。傳統媒體與新媒體的競爭已進入了下半場， 視頻網站之間的競爭是非常激烈的。目前播映端仍以電影院為主，但網路院線已經取得一 定的發展，行銷通路和口碑傳播通路都移轉到新媒體，會員付費商業模式正在嘗試改變新 的商業模式，網路院線盈利也將於內容付費上得到發展。在付費用戶比較成熟的市場北美， 達到 20%。在付費市場越來越擴張的情況之下，最重要的還是優質的內容，無論競爭發展 到什麼樣的情況，優質內容是唯一的法寶，創造最能滿足使用者需求的體驗。2017 年十月 調漲美國訂戶月費十五％，不但沒有嚇走客人，美國訂戶數去年還增加近兩百萬戶。企業. 40.
(41) 結合更多的使用者體驗後，可運用科技和數據來創造良性循環，增加消費者參與及注意， 可獲得更多的消費者體驗和洞察，以了解消費者的需求。Netflix ®2018Q1 統計市值高達 1460 億美元，和目前全球媒體公司最大市值的迪士尼 Disney 1670 億和突破千億大關的康卡斯特 Comcast 不分軒輊，儼然形成全球第八大媒體集團。迪士尼在加入 Netflix®一年左右後就宣 布退出，並計畫於 2019 年推出自己的串流媒體服務。意味著傳統影視帝國，看到了新市場 的巨大商機；準備憑藉眾多燙金的 IP，以及這些 IP 的忠誠粉絲，向線上戲院巨頭發起帝國 反擊戰。相反的 Netflix®、Hulu®、Amazon®等網路串流平台新勢力已然成形，Netflix® 對內 容的投入絲毫沒有鬆懈，3 年間投入金額翻了近 3 倍，光 2017 年內容就花費達 80 億美元， 行銷預算也預計要增加到 20 億美元，繼續發力原創、布局內容生態。 由於 VR 是近距離觀看，8K 解析度以上的 VR 內容才能真正讓人覺得真實；這也是為 什麼目前 VR 普及速度還不夠快，但可以預見 2020 年 5G 和 8K 顯示商業化後，透過 OTT 觀賞 8K 以上的 VR 高清影視不是夢想。Visbit®和 Pixvana®研發了一種被稱為(Visbit ViewOptimized Streaming，VVOS)視場自適應直播（FOVAS）的專利技術，允許用戶在無需下載 或壓縮的前提下觀看高清 VR 視頻，在有限頻寬下提高數據的使用率，找到當前網路條件 與 VR 內容的高要求間的平衡點。VVOS 技術能夠實現讓消費者在正常 Wi-Fi 或者 LTE 環 境下，通過行動裝置觀看 4K 甚至 8K 解析度零延遲的 VR 串流媒體。事實上，該技術採用 的是一種即時局部高解析度處理技術，只針對用戶看到的畫面進行高清處理，每當用戶將 頭轉向另一個方向時，VVOS 能夠實時快速抓取相應內容，轉換為高解析度畫面並與之前 的場景進行無縫銜接。此技術節省了大量的網絡流量，即使在沒有下載、緩衝的情況下觀 眾仍然能夠享受到高清的 VR 體驗。同時，對於內容製作公司而言，壓縮技術讓他們不需 要再耗費更多的時間、精力以及成本來降低用戶的使用條件，可以放心地將原來期望的高 質量 VR 內容呈現給所有觀眾。. 41.
(42) 第二項 線下-VR 主題館(LBVR)、戲院直播、沉浸式劇院 迪士尼傳統線下通路(戲院)和 VR 線下遊戲公司 The Void®，與盧卡斯影業 Lucasfilm 的 Industrial Light&Magic’s(ILMxLAB) ®合作，即將在南加州迪士尼度假村和奧蘭多的兩個迪 士尼主題樂園推出時長 30 分鐘，門票 29.95 美元的全新沉浸式 VR 體驗館(Location-Based VR,後簡稱 LBVR)，「星戰：帝國的秘密」（Star Wars:Secrets of the Empire）。The Void®和索 尼影業 Sony Pictures®合作，於 2016 在紐約杜莎夫人蠟像館(Madame Tussauds)推出第二個 虛擬娛樂中心。以電影「魔鬼剋星」 （Ghostbusters）為主題的超現實(Hyper-Reality)體驗區。 花費美金 53 元，玩家(觀眾)可以穿戴上各種捉鬼裝備對抗，擔任捉鬼敢死隊隊員，探索陰 森恐怖的地庫或鬼影幢幢的大宅並執行任務。藉由蠟像館的場地，搭配真實的道具、服裝、 車輛、配件等，結合現實場景和虛擬世界的設計，以真實還原電影的場景。 由史蒂芬·史匹柏等好萊塢大咖創建的 VR 線下體驗公司 Dreamscape Immersive，在洛 杉磯聖莫妮卡的 Westfield Century City，推出第一個線下體驗「異形動物園」 （Alien Zoo） ， 1 個人 20 美元最多同時 6 人體驗。在 30 分鐘的外星動物園歷險裡，觀眾(玩家)要從宇宙中 最危險的掠食者嘴下逃生，來證明人類不僅要生存還要學會並肩協作。Dreamscape 聯合包 括華納兄弟影業、21 世紀福斯、米高梅等好萊塢公司贊助和融資，在美國本土成立六個和 泰國一個 VR 中心。讓訪客穿戴全身追蹤感應器、頭戴式裝置與背包 PC 和觸覺反饋背心， 讓一小群人置身於同一空間中，在戰鬥遊戲區的雷射槍讓你玩個過癮。 IMXA®第一家的 IMAX VR®戲院於 2017 年 1 月 6 號於洛杉磯開張，前三個月共賣出 15,000 次體驗，約十萬美元營收。IMAX VR 的銷售模式是：觀眾可以花 10 美元體驗其中 一種主題，也可以花 25 美元買張全票，可以體驗全部主題，每個體驗的票價算下來大約在 7-10 美元之間。IMAX 持續和華納、育碧、Skydance 等公司簽訂 VR 內容協定，將把體驗 館開到倫敦、紐約和上海。FoxNext® (福斯集團)則將和 Pure Imagination Studios IMXA®第 一家的 IMAX VR 戲院於 2017 年 1 月 6 號於洛杉磯開張於 2018 年 4 月 26 日在加州橘郡的 42.
(43) 奧特萊斯開張名為「Alien：Descent」第一家線下 VR 體驗主題館，也緊接著嘗試製作「火 星救援」的 VR 體驗。 科技與媒體公司正擴大投資打造出專為購物中心和電影院設計的 VR 體驗，協助戲院 業者對抗 Netflix®等科技公司。相反的 Netflix®也開始針對自製內容，和線下實體空間合作， 安排影友首映會。2017 年 12 月 22 日 Nexflix®原創電影「光靈」( Brigh )，在松山文創園區 藝誠品行館，打造一間首映主題房，以後也會持續嘗試和不同的業者合作，推出不同作品 的主題房，都是作起粉絲的生意。 NTLive ® (National Theatre Live)是由英國國家劇院推廣的新興播映方式，猶如拍電影多 機位現場攝影加導播，希望讓更多不能到現場的觀眾可以欣賞到英國的戲劇，就像運動會 或演唱會各種活動節目一樣。2009 年由海倫·米倫（Helen Mirren）主演的「費德爾」 （Phèdre） 是 NTLive 的首次嘗試，這部戲在劇院上演之時，英國各地 228 家影院也同時坐著將近 5 萬 觀眾，透過現場同步直播的方式觀看了這次演出。除了 NTLive，在世界範圍內，RSC（英 國皇家莎士比亞） 、美國的大都會歌劇院、百老匯和莫斯科藝術劇院都有戲劇影像化的嘗試， 目前台灣華納系列的戲院也開始直播劇場或演唱會。 沉浸式戲劇和傳統戲劇不一樣的地方，在於模糊了觀眾和演員間的角色定義，將表演 舞臺衍生並結合觀眾席，觀眾能和演員在表演空間中共同自由移動，甚至影響劇情。 Punchdrunk®位於紐約的「Sleep No More」就是知名從實體跨入虛擬的實驗性沉浸式戲劇 (Immersive Theatre)，在 McKittrick 一間改裝後的五層樓飯店，整間飯店就是一出精心安排 的戲劇劇場。十幾位劇情演員按著各自的劇本，在飯店不同空間同時上演著各自的劇情， 而這幾條線索中貫穿著一條大主線；觀眾可以自由選擇於不同房間或層樓走動但必須戴上 面具，以一種接近看 VR 影視的方式，體會改編的莎士比亞經典戲劇「馬克白」(Macbeth) 的荒誕故事。白色鬼魅飄忽身旁，復仇、兇殺、詭異是故事的主基調；雜亂無章的辦公室、 淩亂不堪的臥室、廢棄陰森的醫院病房，各類場景任你探索。整齣劇都是以現代舞方式演 43.
(44) 出，演出內容沒有對話，觀眾可以主動參與，並根據各個房間中提供的紙條、便簽、日記 等線索自行拼湊和瞭解整個劇情，自由決定如何體驗故事，消除觀眾與故事間的「第四面 牆」(Fourth Wall)。演出場景和觀眾的通道用不顯眼但是明確的線條劃分界線。每人每次的 體驗都不一樣，即使票價高達 100 美元的情況下，依然有人會看多次希望能體驗不同的情 節。沉浸是戲劇和 VR 影視在本質上相當類似，可視為現代戲劇的先導；在沉浸式戲劇的 基礎上，VR 更進一步，觀眾第一次可以直接扮演一個角色，成為故事的一部分或者通過某 角色的視角觀看整個故事。豐富的場景互動是沉浸式戲劇的一大特點，這為觀眾如何體驗 故事提供了全新的方式和機會。「過失殺人」（Manslaughter）是由 Cinemersia®公司製作的 VR 影視，情節是有關因為彩券中獎影起的凶殺案，分別設置了臥室、餐廳、販售賣槍枝的 商店、音樂舞台四個場景，(參圖 2-16)。觀眾可以自由決定這次想觀看哪一種視角的場景， 但主要情節線索會有藍色光標指引；給予觀眾一定的自主性，但觀眾亦不會失去方向。聲 音效果也會根據視角的方向。過失殺人有製作兩個版本供播映，一個版本有 40 分鐘於線下 戲院播映，另外有製作 10 多分鐘的版本，在 Samsung®的 Gear VR®平台上播映。. 圖 2- 16. 過失殺人 Manslaughter VR 場景圖 (來源: Cinemersia 官網) 44.
(45) 第三項 互動式影視-機器視覺、機器學習、深度學習 Netflix®和 Hulu®線上串流業者也在努力推出加值服務和體驗，來吸引傳統觀眾和留住 新世代觀眾；因此分別推出了互動影視，給觀眾主宰劇情和結局或擔任劇中不同角色的機 會。「鞋貓劍客:魔法書中逃」(Puss in Book: Trapped in an Epic Tale)，共有十幾個劇情決策 點，用戶可以使用裝置自行選擇劇情和結局的走向，每次重看結局都可以不一樣。Netflix 希 望徹底打破講故事的方式，向傳統的電視節目宣戰，讓觀眾真正成為主宰。參以下 2-17 互 動式影片劇情橋段分點示意圖. 圖 2- 17. 互動式影片劇情橋段分點示意圖. (來源:Wiki: Ficheiro:Morse code tree3.png) Netflix®用戶快速增長的重要關鍵之一是透過觀眾行為分析(Behavior Analyst)，及時提 供符合觀眾喜好的內容服務，藉此鎖住(Lock-in)和訂閱會員的關係。每次用戶搜尋影片、觀 看時間、對節目的正負評價、所在地理位置、播放裝置種類、社群轉發次數、是否加入最 愛、登入授權紀錄。再針對節目內容的主色、背景色、音調，搭配協力廠商如 IMDb 的影 片類別或尼爾森的收視數據，透過演算法多維度分析；可以預測哪些區域的用戶喜歡在週 末晚上，用平板電腦觀看動作片；星期六晚上比星期二下午更可能會看恐怖片。其他傳統 電視台或有線電視營運商，需要等內容播放後才知道觀眾的喜好，而 Netflix®是在播放前就 已經針對觀眾喜好設計好一系列的使用者體驗。也透過 ACR 進一步蒐集觀眾觀看習性，根 據這些數據來搭配 2.2.3 的大數據應用。 45.
(46) 迪士尼®研究中心(Disney Research)和麻省理工學院 MIT Media Lab®用 AI 和機器學習 (Machine Learning)，嘗試觀眾只需微笑，就能改變故事走向。在電影院捕捉觀眾觀看影視 的表情(Factorized Variational Autoencoders，後簡稱 FVAE)，採用深度學習「微笑」和「大 笑」的神經網路(參下圖 2-14)。傳統的作法是找焦點小組來進行試播，以了解觀眾的反應是 否和創作電影時的期望相符，並根據回饋調整影片。AI 甚至可以預測觀眾的反應。2015 年 在同一家電影院裡累積記錄了 9 部電影「STAR WARS：原力覺醒、動物方城市、蟻人等」， 合計 153 個場次、3,179 名觀眾以及 1,600 萬條資訊。而這些資料中，研究人員只用了每場 電影 80%的觀眾資料來訓練 FVAE，而剩下的 20%觀眾，就是給 FVAE 的測試題。對於這 20%觀眾的資料，研究人員只將每名觀眾最開始 5%的資料登錄到 FVAE，做為推測剩下 95% 時間內的觀眾表情變化。讓神經網路依據電影前 10 分鐘左右的表情紀錄感情弧線:視覺效 價（visual valence），它就能猜到你對剩下的這些內容會不會感興趣。將來就能用這類神經 網路來判斷並為觀眾選擇，當你走進某些劇情場景興趣點(Point Of Interest，後簡稱 POI)的 情緒反應就會觸發進入另一個場景，讓故事向他們最喜歡的情節發展方面。(參下圖 2-17、 2-18). 圖 2- 18. FVAE 辨識系統. (來源:迪士尼研究院: Factorized Variational Autoencoders for Modeling Audience Reactions to Movies-Paper ). 46.
(47) 圖 2- 19. FVAE 測試結果. (來源:迪士尼研究院: Factorized Variational Autoencoders for Modeling Audience Reactions to Movies-Paper ). 47.
相關文件
- Settings used in films are rarely just backgrounds but are integral to creating atmosphere and building narrative within a film. The film maker may either select an already
This film was created by Into Film, an organisation that uses film and media production to develop skills in young people in the UK.?. Demonstration 2
These learning experiences will form a solid foundation on which students communicate ideas and make informed judgements, develop further in the field of physics, science
In the context of public assessment, SBA refers to assessments administered in schools and marked by the student’s own teachers. The primary rationale for SBA in ICT is to enhance
Therefore, it is our policy that no Managers/staff shall solicit or accept gifts, money or any other form of advantages in their course of duty respectively without the
Wang, Solving pseudomonotone variational inequalities and pseudocon- vex optimization problems using the projection neural network, IEEE Transactions on Neural Networks 17
Define instead the imaginary.. potential, magnetic field, lattice…) Dirac-BdG Hamiltonian:. with small, and matrix
In the related workshop, students will analyse how and why objects in the M+ Collections were made and create their own versions by redesigning everyday objects. Students
