作者 ｜ Yoky

郵箱 ｜ yokyliu@pingwest.com

5500萬GMV，這可能是迄今為止，一個AI數字人單次直播帶來的最高銷量。

過去幾年內，數字人直播代替真人主播的傳言總是一波又一波，空無一人的直播基地無數手機屏幕“自動地”產生著GMV，這個畫面曾經擊中了無數網友的心。但現實是，這些數字人們機械重復的動作、無法隨機應變的話術反而讓真人主播們都松了一口氣。

但這次，真正的轉折點來了。6月15日，羅永浩數字人在百度直播的第一次亮相，連播近7小時，達成了1300萬人次觀看、GMV突破5500萬的成績，不僅破了AI數字人圈里的記錄，甚至超過了真人的記錄——互動量超真人直播間3倍。

一直以來，數字人技術成熟度的一個核心評判標準，都是與真人主是否存在差距，以及有多大的差距。而在此次的直播間，彈幕里“這是真的還是假的”的評論不斷刷屏，已經證實了這次AI數字人的驚人效果。

更重要的是，這不是一次炫技式的表演，而是百度AI在真實商業環境的實戰演練。當整個行業還在為文生視頻的“確定性” ，百度已經用AI為商家和創作者們端起了第一個能真正“養活”自己的“飯碗”。

如何用AI煉成“真”羅永浩？

這背后并非單一模型的技術突破，而是一套多模協同的數字人技術。簡單來說，這套技術將語言大模型置于“總導演”的位置，統籌指揮著語音、視覺等各個“演員”，完成了一場幾乎以假亂真的演出。

與傳統數字人技術形成鮮明對比的是，過去的方案往往采用語言、語音、視覺三條獨立流水線，各自生成內容后再強行拼接，這必然導致音畫不同步、表情僵硬、言語乏味等問題。

百度的技術方案重點包含劇本驅動的數字人多模協同、融合多模規劃與深度思考的劇本生成、動態決策的實時交互、文本自控的語音合成、高一致性超擬真數字人長視頻生成五項創新技術，實現了數字人“神、形、音、容、話”的高度統一。最終呈現出一個具備高表現力，內容吸引人，人-物-場可自由交互的超擬真數字人。

具體而言，“劇本”模型扮演了總指揮的角色。它在生成時輸入的并非只有文本，而是包含商品信息、歷史視頻、主播人設要求等多模態信息。劇本會生成對視覺和語音的具體要求，即所謂的“標簽”，為后續的視覺和語音模型提供方向性指引，從而確保內容、語氣和表情在語義上的高度一致性。

百度集團副總裁吳甜告訴，多模態協同的難點在于多個模型對于要求的理解是一致的。這意味著從劇本（導演）到語音、視覺（演員），整個團隊對表演基調有統一認知。同時，各個演員（各模態模型）又保有自己的“發揮空間”，比如語音模型會根據自身對文本的細粒度理解調整語調頓挫，而不是完全被劇本的詞語鎖死。

以羅永浩數字人劇本為例，基于文心大模型4.5 Turbo生成的劇本，充分展現了主播的個人特色，具備典型的羅氏幽默風格，并能夠實現雙人主播的內容協同，動態實現豐富的實時互動。

在單體完成“真老羅”的打造后，體現直播生命力的實時互動成為另一個更關鍵的挑戰。面對評論區海量、無序的用戶提問，以及與助播的配合上，數字人如何做到實時、自然的回應？這背后是一套動態決策系統。

在直播過程中，模型并非對每個問題都立即回復。系統會對評論區進行智能分析，結合主播當前的講解節奏，選擇合適的時機、合適的問題，以及合適的回答策略進行觸發。這種“謀定而后動”的機制，遠比簡單的“一問一答”更接近真人主播的互動邏輯。

為了徹底解決實時生成的延遲問題，百度采用了“流式生成”的工程化設計。語言、語音、視覺三個模態并非串行等待，而是像流水線一樣并行工作，極大縮短了用戶感知的時延。同時，系統采用“離在線統一”的方法，部分可預見的交互內容可以提前處理，而需要即時反應的部分則在線動態生成。通過系統性優化，成功解決了生成視頻這類高耗時任務的卡點問題，最終實現了絲滑的交互體驗。

更進一步地，在雙人直播中，大量的打斷、復說、搶話等場景對語音合成提出了極高要求。吳甜提到，通過引入“對話上下文解碼器”，模型能夠結合歷史對話信息進行推理，從而實現老搭檔之間那種默契、自然的對話流。

在數字人形象生成以及驅動方面，百度通過結合多模態視頻理解、跨模態信號生成、視頻生成等技術，克服了高可控交互，高精度、長時間一致性保持等難點，實現了高一致性超擬真羅永浩數字人長視頻生成。

而且在此過程中，能保證語音、口型、表情與動作始終保持高度同步，從而實現真正的「音、容、話」一致。

從煉成“羅氏幽默”到跑通商業閉環，百度數字人不僅為行業樹立了新的技術標桿，更重要的是，它為AI技術如何從“熱搜”走向真實的生產線，提供了一份極具說服力的答卷。

不要“超級應用”，要“超級有用”

對于在直播電商紅海中拼殺的千萬商家而言，現實的挑戰正變得愈發尖銳：頭部主播簽約費動輒千萬，自建團隊每月固定開銷數萬甚至數十萬，而流量獲取成本卻在持續攀升。在這種環境下，如何在保證效果的前提下控制成本，成為每個商家必須面對的生存課題。

數字人技術，一度被視為破局的希望。然而，早期的數字人更像是一個“不知疲倦的播報員”，形象呆板、互動生硬，無法傳遞信任，更遑論激發購買欲。它們解決了“有沒有”的問題，卻沒能解決“好不好用”的核心痛點。市場真正需要的，不是一個僅僅能節省成本的“工具”，而是一個能真正替代真人、創造價值的“戰力”。

那么，一個“真正可用”的數字人到底意味著什么？它不僅要形象逼真，更要具備三項核心能力：能理解商品、能與人互動、能建立信任。羅永浩數字人直播的案例，恰恰為這三點提供了行業標尺。它不再是簡單的產品復讀機，而是能用“羅氏幽默”與觀眾調侃，能根據實時提問調整講解策略，最終實現了與真人主播幾乎無異的帶貨效果。

從商業角度審視，這背后反映的是兩筆關鍵賬目的變化：

第一筆是成本賬。數據顯示，數字人直播能平均降低約80%的成本。這意味著商家可以將過去投入在昂貴主播身上的預算，轉移到供應鏈優化和市場推廣上，徹底重構成本結構。千元級別的投入，就能獲得一個7x24小時在線的主播，這在過去是不可想象的。

第二筆是效率賬。在保健品、教育、旅游等需要深度講解的品類上，知識儲備無限、表達精準無誤的數字人，其轉化效率已開始超越真人。對于擁有好產品但缺乏優秀主播的商家，或是不希望核心名師被直播消耗的教育機構而言，數字人代表著一條全新的增長路徑。

“好用”的數字人并非憑空而來，它的出現反映了不同公司在技術路徑上的戰略分化。當我們從市場應用效果反推其背后的技術邏輯時，百度的選擇便清晰地浮現出來。

當前行業的主流敘事集中在卷模型，各家比拼參數規模和基準測試成績。而百度的路徑更偏向卷應用，這一選擇的底氣源于其在多模態技術上的長期積累。

這種“應用為王”的戰略，最終指向的是生產力的規模化落地。復刻羅永浩更多是技術天花板的展示，其真正的商業價值在于將這種能力以低門檻、可復制的方式賦能給廣大中小商家。百度電商總經理平曉黎在接受采訪時表示，相比追逐頭部IP，更傾向于“讓更多的中小商家、腰部商家，還有創作達人能夠做起來”。

更關鍵的是，這條路徑驗證了AI產業期待已久的商業閉環。從行業發展的角度看，羅永浩數字人直播的意義遠超一場帶貨本身。它為AI產業提供了一個清晰的價值驗證：技術的最終價值必須通過為實體經濟創造可度量的商業成功來檢驗。這種“超級有用”的路徑，或許比追逐“超級應用”的概念更具現實意義。當然，這種模式能否被廣泛復制，以及在更多垂直領域的適用性，仍需要市場的進一步檢驗。