智東西
作者 李水青
編輯 漠影

今年6月，羅永浩的數(shù)字人登上百度電商直播間，連續(xù)6小時(shí)不間斷“帶貨”，一邊調(diào)侃、一邊拎著可樂、喝著奶茶，與助播朱蕭木的數(shù)字人一唱一和，引發(fā)1300萬人次圍觀。這場(chǎng)直播最終實(shí)現(xiàn)GMV（商品交易總額）5500萬元，刷新了數(shù)字人帶貨紀(jì)錄。

▲羅永浩的數(shù)字人直播

現(xiàn)在，驅(qū)動(dòng)這場(chǎng)直播的“AI總導(dǎo)演”，站上了世界互聯(lián)網(wǎng)大會(huì)烏鎮(zhèn)峰會(huì)的領(lǐng)獎(jiǎng)臺(tái)。

在11月6日至9日舉行的2025年世界互聯(lián)網(wǎng)大會(huì)烏鎮(zhèn)峰會(huì)上，百度“劇本驅(qū)動(dòng)多模協(xié)同的高擬真數(shù)字人技術(shù)”榮獲領(lǐng)先科技獎(jiǎng)，實(shí)現(xiàn)連續(xù)三年獲獎(jiǎng)。

▲百度CTO王海峰在講解高擬真數(shù)字人技術(shù)

從羅永浩的數(shù)字分身到世界互聯(lián)網(wǎng)大會(huì)的領(lǐng)獎(jiǎng)舞臺(tái)，我們看到數(shù)字人好像跟前幾年我們印象中的不一樣了，一個(gè)問題隨之浮現(xiàn)：

讓數(shù)字人跨越“形似”的初級(jí)階段，進(jìn)入“神形兼?zhèn)洹钡娜戮辰纾俣仁侨绾巫龅模?/strong>

一、烏鎮(zhèn)大會(huì)上的AI新風(fēng)向：數(shù)字人成大模型經(jīng)典落地場(chǎng)景

世界互聯(lián)網(wǎng)大會(huì)“領(lǐng)先科技獎(jiǎng)”是全球互聯(lián)網(wǎng)科技發(fā)展的一個(gè)風(fēng)向標(biāo)。

在今年的世界互聯(lián)網(wǎng)大會(huì)烏鎮(zhèn)峰會(huì)上，評(píng)審委員會(huì)從34個(gè)國家和地區(qū)征集了424項(xiàng)科技成果，經(jīng)海內(nèi)外專家評(píng)審，最終遴選出17項(xiàng)年度領(lǐng)先成果。

其中，作為融合了大語言模型與多模態(tài)技術(shù)的創(chuàng)新應(yīng)用，百度“劇本驅(qū)動(dòng)多模協(xié)同的高擬真數(shù)字人技術(shù)”成功入選。一同入選的還有中國科學(xué)院計(jì)算技術(shù)研究所、中國科學(xué)院軟件研究所的“處理器芯片軟硬件全自動(dòng)設(shè)計(jì)”，清華大學(xué)“北斗三號(hào)衛(wèi)星導(dǎo)航信號(hào)關(guān)鍵技術(shù)及應(yīng)用”等成果。

▲2025年世界互聯(lián)網(wǎng)大會(huì)領(lǐng)先科技獎(jiǎng)?lì)C獎(jiǎng)現(xiàn)場(chǎng)

當(dāng)下，數(shù)字人正成為AI最具代表性的落地場(chǎng)景之一。百度“劇本驅(qū)動(dòng)多模協(xié)同的高擬真數(shù)字人技術(shù)”體現(xiàn)了這一趨勢(shì)，不僅是語言、視覺、語音技術(shù)的融合創(chuàng)新，更是百度多年AI技術(shù)的集大成者。

從2023年“知識(shí)增強(qiáng)大語言模型關(guān)鍵技術(shù)”到2024年“文心智能體技術(shù)”，百度成為唯一連續(xù)三年獲獎(jiǎng)的人工智能公司。

二、何以“高擬真”？5大核心技術(shù)，為數(shù)字人注入“靈魂”

過去我們談數(shù)字人，更多是關(guān)注“像不像”；而今天百度的數(shù)字人，已經(jīng)進(jìn)入“神似”的維度。何以“高擬真”？

其核心，在于以文心大模型為內(nèi)核的“劇本驅(qū)動(dòng)多模協(xié)同技術(shù)”，讓數(shù)字人具備了自我理解、規(guī)劃和表演的能力。該技術(shù)有以下五大創(chuàng)新點(diǎn)：

1、劇本驅(qū)動(dòng)多模協(xié)同：為數(shù)字人注入“靈魂”

傳統(tǒng)數(shù)字人依賴人工腳本和單模態(tài)驅(qū)動(dòng)，而百度的這項(xiàng)技術(shù)能生成一份真正意義上的“劇本”， 劇本生成的核心在于語言模型驅(qū)動(dòng)下的多模態(tài)協(xié)同，不僅有“說什么”，還有“怎么說、說的時(shí)候怎么配合動(dòng)作表情”。

比如，當(dāng)提到“法令紋”時(shí)，視覺系統(tǒng)會(huì)自動(dòng)指向?qū)?yīng)面部區(qū)域；當(dāng)數(shù)字人“送福利”時(shí)，語音模塊會(huì)自動(dòng)調(diào)整語調(diào)，表現(xiàn)出興奮情緒。甚至在雙人互動(dòng)時(shí)，還能標(biāo)記“在哪個(gè)詞后接話”，實(shí)現(xiàn)無縫對(duì)話。

這讓數(shù)字人不再只是“說話的模型”，而是真正擁有導(dǎo)演級(jí)的多模態(tài)表達(dá)協(xié)調(diào)力。

2、融合多模規(guī)劃與深度思考的劇本生成：讓對(duì)話自然流暢

數(shù)字人不止能說臺(tái)詞，還能“思考劇情”。百度通過融合多模規(guī)劃與大模型推理，實(shí)現(xiàn)了對(duì)對(duì)話上下文的整體理解。

在直播中，數(shù)字人不僅能按照預(yù)設(shè)劇本推進(jìn)，還能根據(jù)直播間實(shí)時(shí)熱度及用戶反饋，智能調(diào)整講解節(jié)奏與互動(dòng)內(nèi)容，實(shí)現(xiàn)銜接自然的動(dòng)態(tài)交互。

這正是數(shù)字人老羅能秒接網(wǎng)絡(luò)熱梗，展現(xiàn)出鮮明人設(shè)與活潑語言風(fēng)格的技術(shù)基礎(chǔ)。

3、動(dòng)態(tài)決策的實(shí)時(shí)交互：賦予“臨場(chǎng)反應(yīng)”能力

基于大模型的實(shí)時(shí)感知與決策能力，數(shù)字人不再是單向輸出的播報(bào)機(jī)器，而具備了類似真人的現(xiàn)場(chǎng)“判斷力”。

它能夠理解彈幕評(píng)論、感知直播間氛圍，并據(jù)此做出實(shí)時(shí)反饋，如回答用戶提問、玩?；?dòng)、調(diào)整講解策略，從而極大提升了互動(dòng)的真實(shí)感與用戶的參與感。

4、文本自控的語音合成：告別“機(jī)械朗讀”

聲音，是數(shù)字人“靈魂”的另一半。百度的語音合成大模型通過“文本自控”機(jī)制，讓聲音擺脫機(jī)械朗讀感，實(shí)現(xiàn)與表達(dá)與語義、情緒高度一致。

其核心在于，模型能深度理解直播臺(tái)詞的文風(fēng)與語境，并結(jié)合發(fā)音人（如羅永浩）的獨(dú)特特征，將文本信息“翻譯”成自然、富有感染力的聲音。

通過對(duì)話上下文編碼器，百度解決了雙人直播中聲音配合的難題，實(shí)現(xiàn)了羅永浩與朱蕭木數(shù)字人之間流暢、自然的對(duì)話效果。

5、高一致性超擬真長(zhǎng)視頻生成：挑戰(zhàn)“時(shí)長(zhǎng)極限”

數(shù)字人直播常常持續(xù)數(shù)小時(shí)，如何讓其在長(zhǎng)時(shí)間內(nèi)保持表情、動(dòng)作和場(chǎng)景的自然連貫，是一項(xiàng)行業(yè)難題。

百度通過結(jié)合多模態(tài)視頻理解、跨模態(tài)信號(hào)生成等關(guān)鍵技術(shù)，攻克了高可控交互、長(zhǎng)時(shí)間一致性保持等業(yè)界難題，實(shí)現(xiàn)了高一致性、超擬真的數(shù)字人長(zhǎng)視頻生成，將AI視頻生成的應(yīng)用邊界從“秒級(jí)”拓展至“小時(shí)級(jí)”。

羅永浩數(shù)字人直播6小時(shí)全程動(dòng)作自然、視線交互精準(zhǔn)，就是這一技術(shù)的成果。

可以看到，百度以“神、形、音、容、話”的統(tǒng)一能力，構(gòu)建一個(gè)兼具表達(dá)力與情感力的數(shù)字人系統(tǒng)。它不只是模仿人類，而是在理解人類表達(dá)邏輯的基礎(chǔ)上“再創(chuàng)造人類體驗(yàn)”。

三、從羅永浩到萬千場(chǎng)景：10萬數(shù)字人，讓開播成本暴降80%

頂尖的技術(shù)價(jià)值，最終需要通過大規(guī)模應(yīng)用與實(shí)實(shí)在在的商業(yè)效益來驗(yàn)證。

在百度，這項(xiàng)獲獎(jiǎng)技術(shù)的規(guī)?；涞匾熏F(xiàn)成效。官方數(shù)據(jù)顯示，基于該技術(shù)已生產(chǎn)超過10萬個(gè)數(shù)字人，覆蓋電商、教育、法律、健康等數(shù)十個(gè)行業(yè)，助力商家開播成本降低80%，直播轉(zhuǎn)化率提升31%。

以“羅永浩數(shù)字人”為例，其6月15日的首秀不僅是技術(shù)實(shí)力的展示，更是一場(chǎng)成功的商業(yè)實(shí)踐：

整場(chǎng)直播持續(xù)6小時(shí)，AI調(diào)用知識(shí)庫1.3萬次，生成9.7萬字產(chǎn)品講解內(nèi)容，雙數(shù)字人搭檔做出超8300個(gè)動(dòng)作。從直播效果來看，整場(chǎng)直播吸引1300萬人次觀看，GMV突破5500萬元，部分核心品類帶貨單量甚至超過羅永浩5月真人首秀同期數(shù)據(jù)。

羅永浩本人也通過視頻表示“讓我驚訝”、“完美收官”，稱數(shù)字人直播“可能代表了電商直播的新趨勢(shì)”。

▲羅永浩的數(shù)字人直播

技術(shù)紅利正滲透至千行百業(yè)。在山東德州夏津縣，三位平均年齡超65歲的老支書，借助百度“慧播星”數(shù)字人技術(shù)，進(jìn)行7×24小時(shí)不間斷直播，精準(zhǔn)講解產(chǎn)品、實(shí)時(shí)回復(fù)問題。開通數(shù)字人直播短短一個(gè)月，他們的地瓜直播間訂單近萬單，總銷售額突破15萬元，成功售出農(nóng)產(chǎn)品3.3萬斤。

據(jù)悉，這種“真人+數(shù)字人”雙軌模式已形成可復(fù)制的助農(nóng)路徑——百度電商“一村一品”項(xiàng)目通過“慧播星”等技術(shù)，累計(jì)幫助全國1000多戶農(nóng)民增收，商品交易總額超2500萬元。

可以看到，從超頭主播的直播間到田間地頭的助農(nóng)現(xiàn)場(chǎng)，百度數(shù)字人技術(shù)正在智能客服、虛擬教師、數(shù)字代言人、互動(dòng)娛樂等多個(gè)領(lǐng)域落地開花。

結(jié)語：AI數(shù)字人迎技術(shù)產(chǎn)業(yè)升級(jí)，帶來商業(yè)新增長(zhǎng)點(diǎn)

從羅永浩直播間里那個(gè)能接梗、會(huì)互動(dòng)、神形兼?zhèn)涞臄?shù)字人，到賦能十萬數(shù)字人降低商業(yè)成本、提升轉(zhuǎn)化效率的產(chǎn)業(yè)平臺(tái)，我們看到，以大模型為核心的AI數(shù)字人技術(shù)，已成為驅(qū)動(dòng)產(chǎn)業(yè)升級(jí)、創(chuàng)造商業(yè)新增長(zhǎng)點(diǎn)的強(qiáng)大引擎。

數(shù)字人的發(fā)展，已走過“形似”、“神似”，正進(jìn)入百度所定義的“高擬真”、“高說服力”階段。而未來，數(shù)字人或?qū)⒄嬲谀承┓矫娉秸嫒?，?shí)現(xiàn)超長(zhǎng)待機(jī)、千人千面、多語言多風(fēng)格的極致服務(wù)。

過去的十年，百度在AI上的每一次突破，都像是鋪設(shè)通向未來的基石。世界互聯(lián)網(wǎng)大會(huì)展現(xiàn)出的新風(fēng)向表明，技術(shù)長(zhǎng)期主義與系統(tǒng)化布局是推動(dòng)智能產(chǎn)業(yè)發(fā)展的必由之路。