夢瑤 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

還記得今年6月羅永浩那場堪比春晚帶貨專場的直播嗎？評論區(qū)刷屏、訂單秒飄，GMV直接干到了5500萬+：

當時的老羅，前一秒還在念叨“別幫我省錢”，下一秒那副“精明老練”的商人面孔就藏不住了。

推眼鏡、拍桌子、掏清單一氣呵成，操作之嫻熟、語氣之佛系、節(jié)奏之精準，一整個“老羅本羅”！

狀態(tài)太好了，甚至好到讓人根本想不到：這場直播從頭到尾，羅永浩其實一次都沒出鏡……

你看到的“老羅”，其實是個數(shù)字人。（對，連眼鏡反光都合成得像模像樣）

蒼天啊，真假難辨真假難辨??！

這出“安能辨我是AI”的魔幻直播大戲，背后的操盤手，正是百度。

他們用一套叫劇本驅動多模協(xié)同的高擬真數(shù)字人技術，讓數(shù)字人不但能說話，還能演戲、接梗、搶話筒，甚至真·金·白·銀地把貨賣出去。

在正在舉行中的2025年世界互聯(lián)網(wǎng)大會烏鎮(zhèn)峰會上，這項技術又一次拿下了領先科技獎，這是百度在烏鎮(zhèn)的三連冠，也是唯一連續(xù)三年獲獎的AI公司。

一個小小數(shù)字人，能說、會演、還能把錢賺得啪啪響，這個技術……究竟有啥魔力？

這屆數(shù)字人開始凹“編劇+演員+嘴替”人設了

大家有沒有這種感覺，這兩年數(shù)字人是真的火，不是因為產品多，而是給咱推送的太多了。

十條短視頻直播可能就有一條是數(shù)字人copy的，不是在吆喝賣東西，就是合成面孔在講新聞，“人設”各不相同，但“人味”都差點意思。

但為啥很多時候我們一眼就能看出來它不是真人？很簡單，是因為數(shù)字人最容易露餡兒的，從來不是臉，而是“人味兒”。

人識別“人”的方法其實特直覺，例如語氣對不對，動作順不順，只要有一點點卡頓、出戲、不自然，立馬就知道“No！這不是真人！”

而百度劇本驅動多模協(xié)同的高擬真數(shù)字人技術，就是要從根上解決上面這些問題。

它重點包含劇本驅動的數(shù)字人多模協(xié)同、融合多模規(guī)劃與深度思考的劇本生成、動態(tài)決策的實時交互、文本自控的語音合成、高一致性超擬真數(shù)字人長視頻生成五項創(chuàng)新技術。

簡單講就是，它不是只訓練一張臉、一個語音模型，而是讓語言、動作、表情、反應、內容都能協(xié)同起來，讓數(shù)字人像真人一樣“說”“演”“動”“聽”“想”。

能自己寫劇本的數(shù)字人

現(xiàn)在這年頭，能張口說話的數(shù)字人不算稀罕事兒了，能自己寫劇本、自己演，還能控節(jié)奏、接互動的數(shù)字人才是真·有點能耐。

基于文心大模型，百度這套「劇本驅動多模協(xié)同」的高擬真數(shù)字人技術不是你喂一句它說一句，而是它自己就能cos成一位資深編劇，能一口氣輸出一份可以直接開播的全流程直播劇本：

這份劇本里不僅有“說什么”，還有“怎么說、什么時候說、說的時候怎么配合動作表情”，說到哪該看哪、什么情境配什么語氣、雙人直播時誰該接話、怎么接，全都提前安排好。

舉個例子，提到“抬頭紋、法令紋、頸紋”的時候，小小數(shù)字人會自動調用視覺標簽，告訴系統(tǒng)鏡頭該怎么精準展示部位。

說“福利來咯”時，就觸發(fā)語音標簽，控制情緒語調，讓語氣顯得足夠興奮、但不油膩。

雙人互動時，還能安排“數(shù)字人在哪個詞之后無縫接話”，一句不差，直接接梗不卡殼！

像咱開頭提到的羅永浩那場6個多小時的直播，就是系統(tǒng)基于老羅的人設和產品特性，調用知識庫超過1.3萬次，生成的9.7萬字講解內容。

不但能像人一樣及時察覺到直播間熱度及用戶的反饋，還能超自然地與用戶實時互動：

再仔細看這段視頻還能發(fā)現(xiàn)，他能主動邀評、Cue彈幕、拋話題，遇到觀眾刷屏，還能順著話頭加段子，控場氛圍說實話，甚至比一些真人還穩(wěn)。

背后這套“劇本+指令+場控”一體化系統(tǒng)，撐起的就是數(shù)字人的真正靈魂感，能聊能演能控場，妥妥的一位“全棧帶貨人”。

張口就能“戲精”附體？包會的！

數(shù)字人到底“裝”得像不像人，開口嘮兩句就能見真章。

在這一塊兒，百度高擬真數(shù)字人算是把“人味兒”打磨到位了，不光講話情緒有起伏、語調能帶勁兒，還能根據(jù)場景自動切換自己的語言風格，說得像，還說得準：

以至于我們看到老羅那場以假亂真的直播時，第一反應是沒任何毛病，因為那佛系又爆梗的講話勁兒真的跟他本人太像了：

前腳剛喝一口牛奶，后腳立馬張口爆金句：睡前來一杯，半夜上廁所思考一下人生也不錯～

別說觀眾，我要不是知道這是數(shù)字人，真以為老羅這段子水平又進化了，當一個數(shù)字人能copy到和正主一樣的講話方式時，我只能說是真·修煉得爐火純青了…

（等等，下一步該不會是數(shù)字人上《脫口秀大會》了吧？？？）

老話講得好，臺上一分鐘臺下十年功。

能讓數(shù)字人嘴皮子如此之溜，背后的核心技術是百度自研的文本自控語音合成大模型，不僅能把字讀出來，還能輕輕松松把語氣、節(jié)奏、情緒一起說出來。

此外，為了解決羅永浩數(shù)字人直播雙人配合的難點，百度用上了上下文編碼器，把整個對話的來龍去脈喂進去統(tǒng)一推理生成。

這才使得數(shù)字人能感知整段臺詞的情緒走向，動態(tài)調整語調和氣口，讓聲音聽起來像是“剛想完才說出口”的！

聽不到接縫、也感覺不到誰在等誰，說得順，接得住～

一張臉播到底，不累不崩不出戲

現(xiàn)在之所以有越來越多的商家開始用數(shù)字人代替真人出鏡，很大一個原因是：是人，就會累。

你想啊，人播個三五小時，脫妝不說，臉上隱約寫著四個大字：生！無！可！戀！

作為觀眾的我們看到那疲憊的面孔都忍不住想說一句：“哥，要不你先歇會兒？”（打工人狠狠共鳴了…）

而且講真的，正常人就算能高精力連著播六七個鐘頭，情緒雖可能還在線，但腦子可能早宕機了…

于是乎，賽博打工數(shù)字人就上場了！

百度數(shù)字人通過結合多模態(tài)視頻理解、跨模態(tài)信號生成、長視頻生成的一整套技術鏈，把數(shù)字人的在線表現(xiàn)力拉滿了：

沒有疲憊情緒、能在長時間直播中，始終維持統(tǒng)一語氣與人設狀態(tài)，不管播多久、講幾輪，調性始終如一，不跑偏、不出戲。

此外，對品牌來說，這種一致性是塑造IP的重要前提。

尤其在長時間直播場景里，效率、狀態(tài)、形象，全程在線，對商家來說，這不只是替代，更是一種流程可控、成本更穩(wěn)的新解法。

這樣一來，旋轉跳躍不停歇真不是句歌詞了，小小數(shù)字人還真能幾個小時整下來～

技術落地之后，數(shù)字人開始真正“上工了”

是騾子是馬，當然得拉出來溜溜。

如今，百度這套高擬真數(shù)字人技術已經(jīng)從“demo階段”走向了真實生產環(huán)境，成為了真正跑在一線的“打工仔”。

截至目前，靠它“孵化”出來的數(shù)字人已經(jīng)超過10萬個，活躍在電商、教育、法律、政務等幾十個行業(yè)。

能賣貨、能講課、能答疑，還不喊累。

更關鍵的是，它不是“只省事不出活”，而是真能幫企業(yè)提效：

據(jù)官方數(shù)據(jù)，目前這套技術已經(jīng)助力商家開播成本降低80%，轉化率提升31%，可謂“多·快·好·省”。

比如在老羅與朱蕭木的雙人帶貨直播中，百度數(shù)字人連播6小時，吸引觀眾超1300萬，GMV達到5500萬+，整個這波過程沒有冷場、沒有翻車，“嘴替”穩(wěn)定輸出，觀眾看完都驚呼：真假傻傻分不清楚了…

知識博主艾彌兒也通過百度數(shù)字人接入萬億級知識庫，將用戶停留時長提升101%；蒙牛悠瑞的數(shù)字人通過全時段服務與動態(tài)策略，使轉化率提高了33%。

在山東德州夏津縣，“慧播星”數(shù)字人還助力三位老書記直播帶貨，1個月賣出3.3萬斤農產品，賬號訂單量已近萬單，總銷售超15萬元。

更進一步，從行業(yè)生態(tài)維度看，這套數(shù)字人技術也帶來了新的“綠色降本邏輯”：

不拼燈光、不靠體力，全程用算法驅動、一臺設備跑全程，不僅能少碳排、多復用，還能帶動上下游企業(yè)協(xié)同創(chuàng)新，產業(yè)鏈自然更健康。

從城市到鄉(xiāng)村，從書本到助農，數(shù)字人正悄悄接住每一個場景的需求。

不知不覺中，這套數(shù)字人技術已經(jīng)變成了百度電商生態(tài)里的“默認選項”，撐起了包括圖書、健康、明星直播在內的多個業(yè)務的底盤。

相比傳統(tǒng)直播，商家無需投入大量人力物力，不用搭建場地、購置設備、培訓主播，只需部署一套數(shù)字人系統(tǒng)，就能實現(xiàn)全天候內容輸出。

而24小時不間斷直播，也讓商品在曝光時長、用戶觸達頻次、轉化機會上都實現(xiàn)了顯著增長。

從打工人視角看，這是別人家“永不下播”的同事；從老板視角看，這是穩(wěn)定、耐造、可調度的理想員工。

總的來說，從前的數(shù)字人，還只是個實驗室demo，現(xiàn)在的數(shù)字人，已經(jīng)在直播間里拉業(yè)績、帶節(jié)奏、撬增長了。

更關鍵的是，它的表現(xiàn)不只靠“看起來像”，而是拿得出數(shù)據(jù)、撐得起轉化、跑得動流程：

讓觀眾停留、讓訂單增長，在一個又一個落地場景中完成“交作業(yè)”。

百度數(shù)字人技術在烏鎮(zhèn)上的獲獎，不只是在表彰技術突破，更是在確認：

一個能上場、能扛活、還能賺得明明白白的數(shù)字人，已經(jīng)成了內容產業(yè)的新型基礎設施。

不是替代真人，而是開辟了一種更穩(wěn)定、更可控的內容生產力路徑。

下一場數(shù)字人直播的爆點，沒準就藏在一行劇本的背后，咱就搓搓手期待期待吧。