梦瑶 发自 凹非寺量子位 | 公众号 QbitAI

还记得今年6月罗永浩那场堪比春晚带货专场的直播吗？评论区刷屏、订单秒飘，GMV直接干到了5500万+：

当时的老罗，前一秒还在念叨“别帮我省钱”，下一秒那副“精明老练”的商人面孔就藏不住了。

推眼镜、拍桌子、掏清单一气呵成，操作之娴熟、语气之佛系、节奏之精准，一整个“老罗本罗”！

状态太好了，甚至好到让人根本想不到：这场直播从头到尾，罗永浩其实一次都没出镜……

你看到的“老罗”，其实是个数字人。（对，连眼镜反光都合成得像模像样）

苍天啊，真假难辨真假难辨啊！

这出“安能辨我是AI”的魔幻直播大戏，背后的操盘手，正是百度。

他们用一套叫剧本驱动多模协同的高拟真数字人技术，让数字人不但能说话，还能演戏、接梗、抢话筒，甚至真·金·白·银地把货卖出去。

在正在举行中的2025年世界互联网大会乌镇峰会上，这项技术又一次拿下了领先科技奖，这是百度在乌镇的三连冠，也是唯一连续三年获奖的AI公司。

一个小小数字人，能说、会演、还能把钱赚得啪啪响，这个技术……究竟有啥魔力？

这届数字人开始凹“编剧+演员+嘴替”人设了

大家有没有这种感觉，这两年数字人是真的火，不是因为产品多，而是给咱推送的太多了。

十条短视频直播可能就有一条是数字人copy的，不是在吆喝卖东西，就是合成面孔在讲新闻，“人设”各不相同，但“人味”都差点意思。

但为啥很多时候我们一眼就能看出来它不是真人？很简单，是因为数字人最容易露馅儿的，从来不是脸，而是“人味儿”。

人识别“人”的方法其实特直觉，例如语气对不对，动作顺不顺，只要有一点点卡顿、出戏、不自然，立马就知道“No！这不是真人！”

而百度剧本驱动多模协同的高拟真数字人技术，就是要从根上解决上面这些问题。

它重点包含剧本驱动的数字人多模协同、融合多模规划与深度思考的剧本生成、动态决策的实时交互、文本自控的语音合成、高一致性超拟真数字人长视频生成五项创新技术。

简单讲就是，它不是只训练一张脸、一个语音模型，而是让语言、动作、表情、反应、内容都能协同起来，让数字人像真人一样“说”“演”“动”“听”“想”。

能自己写剧本的数字人

现在这年头，能张口说话的数字人不算稀罕事儿了，能自己写剧本、自己演，还能控节奏、接互动的数字人才是真·有点能耐。

基于文心大模型，百度这套「剧本驱动多模协同」的高拟真数字人技术不是你喂一句它说一句，而是它自己就能cos成一位资深编剧，能一口气输出一份可以直接开播的全流程直播剧本：

这份剧本里不仅有“说什么”，还有“怎么说、什么时候说、说的时候怎么配合动作表情”，说到哪该看哪、什么情境配什么语气、双人直播时谁该接话、怎么接，全都提前安排好。

举个例子，提到“抬头纹、法令纹、颈纹”的时候，小小数字人会自动调用视觉标签，告诉系统镜头该怎么精准展示部位。

说“福利来咯”时，就触发语音标签，控制情绪语调，让语气显得足够兴奋、但不油腻。

双人互动时，还能安排“数字人在哪个词之后无缝接话”，一句不差，直接接梗不卡壳！

像咱开头提到的罗永浩那场6个多小时的直播，就是系统基于老罗的人设和产品特性，调用知识库超过1.3万次，生成的9.7万字讲解内容。

不但能像人一样及时察觉到直播间热度及用户的反馈，还能超自然地与用户实时互动：

再仔细看这段视频还能发现，他能主动邀评、Cue弹幕、抛话题，遇到观众刷屏，还能顺着话头加段子，控场氛围说实话，甚至比一些真人还稳。

背后这套“剧本+指令+场控”一体化系统，撑起的就是数字人的真正灵魂感，能聊能演能控场，妥妥的一位“全栈带货人”。

张口就能“戏精”附体？包会的！

数字人到底“装”得像不像人，开口唠两句就能见真章。

在这一块儿，百度高拟真数字人算是把“人味儿”打磨到位了，不光讲话情绪有起伏、语调能带劲儿，还能根据场景自动切换自己的语言风格，说得像，还说得准：

以至于我们看到老罗那场以假乱真的直播时，第一反应是没任何毛病，因为那佛系又爆梗的讲话劲儿真的跟他本人太像了：

前脚刚喝一口牛奶，后脚立马张口爆金句：睡前来一杯，半夜上厕所思考一下人生也不错～

别说观众，我要不是知道这是数字人，真以为老罗这段子水平又进化了，当一个数字人能copy到和正主一样的讲话方式时，我只能说是真·修炼得炉火纯青了…

（等等，下一步该不会是数字人上《脱口秀大会》了吧？？？）

老话讲得好，台上一分钟台下十年功。

能让数字人嘴皮子如此之溜，背后的核心技术是百度自研的文本自控语音合成大模型，不仅能把字读出来，还能轻轻松松把语气、节奏、情绪一起说出来。

此外，为了解决罗永浩数字人直播双人配合的难点，百度用上了上下文编码器，把整个对话的来龙去脉喂进去统一推理生成。

这才使得数字人能感知整段台词的情绪走向，动态调整语调和气口，让声音听起来像是“刚想完才说出口”的！

听不到接缝、也感觉不到谁在等谁，说得顺，接得住～

一张脸播到底，不累不崩不出戏

现在之所以有越来越多的商家开始用数字人代替真人出镜，很大一个原因是：是人，就会累。

你想啊，人播个三五小时，脱妆不说，脸上隐约写着四个大字：生！无！可！恋！

作为观众的我们看到那疲惫的面孔都忍不住想说一句：“哥，要不你先歇会儿？”（打工人狠狠共鸣了…）

而且讲真的，正常人就算能高精力连着播六七个钟头，情绪虽可能还在线，但脑子可能早宕机了…

于是乎，赛博打工数字人就上场了！

百度数字人通过结合多模态视频理解、跨模态信号生成、长视频生成的一整套技术链，把数字人的在线表现力拉满了：

没有疲惫情绪、能在长时间直播中，始终维持统一语气与人设状态，不管播多久、讲几轮，调性始终如一，不跑偏、不出戏。

此外，对品牌来说，这种一致性是塑造IP的重要前提。

尤其在长时间直播场景里，效率、状态、形象，全程在线，对商家来说，这不只是替代，更是一种流程可控、成本更稳的新解法。

这样一来，旋转跳跃不停歇真不是句歌词了，小小数字人还真能几个小时整下来～

技术落地之后，数字人开始真正“上工了”

是骡子是马，当然得拉出来溜溜。

如今，百度这套高拟真数字人技术已经从“demo阶段”走向了真实生产环境，成为了真正跑在一线的“打工仔”。

截至目前，靠它“孵化”出来的数字人已经超过10万个，活跃在电商、教育、法律、政务等几十个行业。

能卖货、能讲课、能答疑，还不喊累。

更关键的是，它不是“只省事不出活”，而是真能帮企业提效：

据官方数据，目前这套技术已经助力商家开播成本降低80%，转化率提升31%，可谓“多·快·好·省”。

比如在老罗与朱萧木的双人带货直播中，百度数字人连播6小时，吸引观众超1300万，GMV达到5500万+，整个这波过程没有冷场、没有翻车，“嘴替”稳定输出，观众看完都惊呼：真假傻傻分不清楚了…

知识博主艾弥儿也通过百度数字人接入万亿级知识库，将用户停留时长提升101%；蒙牛悠瑞的数字人通过全时段服务与动态策略，使转化率提高了33%。

在山东德州夏津县，“慧播星”数字人还助力三位老书记直播带货，1个月卖出3.3万斤农产品，账号订单量已近万单，总销售超15万元。

更进一步，从行业生态维度看，这套数字人技术也带来了新的“绿色降本逻辑”：

不拼灯光、不靠体力，全程用算法驱动、一台设备跑全程，不仅能少碳排、多复用，还能带动上下游企业协同创新，产业链自然更健康。

从城市到乡村，从书本到助农，数字人正悄悄接住每一个场景的需求。

不知不觉中，这套数字人技术已经变成了百度电商生态里的“默认选项”，撑起了包括图书、健康、明星直播在内的多个业务的底盘。

相比传统直播，商家无需投入大量人力物力，不用搭建场地、购置设备、培训主播，只需部署一套数字人系统，就能实现全天候内容输出。

而24小时不间断直播，也让商品在曝光时长、用户触达频次、转化机会上都实现了显著增长。

从打工人视角看，这是别人家“永不下播”的同事；从老板视角看，这是稳定、耐造、可调度的理想员工。

总的来说，从前的数字人，还只是个实验室demo，现在的数字人，已经在直播间里拉业绩、带节奏、撬增长了。

更关键的是，它的表现不只靠“看起来像”，而是拿得出数据、撑得起转化、跑得动流程：

让观众停留、让订单增长，在一个又一个落地场景中完成“交作业”。

百度数字人技术在乌镇上的获奖，不只是在表彰技术突破，更是在确认：

一个能上场、能扛活、还能赚得明明白白的数字人，已经成了内容产业的新型基础设施。

不是替代真人，而是开辟了一种更稳定、更可控的内容生产力路径。

下一场数字人直播的爆点，没准就藏在一行剧本的背后，咱就搓搓手期待期待吧。