當直播時長逼近6個小時、大多數(shù)電商主播顯露疲態(tài)時，百度直播間里的主播“羅永浩”和搭檔“朱蕭木”仍然可以情緒飽滿地回答觀眾提問，時不時還能講兩句“段子”，吸引觀眾下單。這兩位主播并非真人，而是百度借助劇本驅(qū)動多模協(xié)同數(shù)字人技術(shù)打造的數(shù)字人主播。
在2025年世界互聯(lián)網(wǎng)大會烏鎮(zhèn)峰會上，由百度自主研發(fā)的劇本驅(qū)動多模協(xié)同的高擬真數(shù)字人技術(shù)獲得世界互聯(lián)網(wǎng)大會領(lǐng)先科技獎。
隨著人工智能技術(shù)快速發(fā)展，大模型向多模態(tài)加速演進，數(shù)字人成為融合大語言模型與多模態(tài)技術(shù)的創(chuàng)新應用，電商直播是數(shù)字人落地的極佳場景。數(shù)字人技術(shù)使商家無需投入大量人力、物力進行現(xiàn)場直播，能顯著降低場地租賃、設備采購、人員培訓等費用。同時，數(shù)字人可以24小時不間斷直播，進一步增加商品曝光時間和銷售機會，提升經(jīng)濟效益。
但傳統(tǒng)數(shù)字人生成技術(shù)常面臨語音、語言、視覺多模態(tài)割裂的問題，表現(xiàn)為臺詞生硬、語音語調(diào)與臺詞情感匹配不佳、表情手勢單一等。百度首席技術(shù)官王海峰說，針對數(shù)字人應用痛點，百度創(chuàng)新研發(fā)了劇本驅(qū)動多模協(xié)同的高擬真數(shù)字人技術(shù)。
劇本的基礎是臺詞。臺詞生成不僅是內(nèi)容輸出，還要貼合主播人設與語言風格，確保語言表達的個性化與一致性；在多主播場景中，還需實現(xiàn)語義邏輯、語調(diào)節(jié)奏和情感風格的整體協(xié)調(diào)。同時，為提升臺詞的內(nèi)容深度，還要引入內(nèi)容規(guī)劃、知識增強與事實校驗機制，以降低人工智能幻覺風險。基于臺詞，大模型可以直接生成一份數(shù)字人直播劇本。劇本自帶“視覺標簽”和“語音標簽”，它能夠告訴系統(tǒng)，對應臺詞人物要做出哪些動作。
互動性強是電商直播場景的一大特點。在與觀眾互動過程中，語音合成的自然度是決定用戶沉浸感的關(guān)鍵因素。觀眾希望聽到主播有情緒、有起伏的聲音，而不是生硬機械的朗讀。王海峰介紹，針對這一需求，百度提出了“文本自控的語音合成”方案。文本自控的語音合成大模型不僅具備高復原的語音合成能力，還能夠結(jié)合直播臺詞及主播個人特征，把這些文本內(nèi)容轉(zhuǎn)化為自然、有感染力的聲音，讓數(shù)字人不僅能發(fā)出聲音，更能精準傳遞出調(diào)侃、得意、強調(diào)等細微情緒。
除了要和用戶交互，數(shù)字人主播在直播時還要與商品和所在空間進行符合物理邏輯的互動。如何做到這一點？高一致性超擬真數(shù)字人長視頻生成技術(shù)，能對輸入的歷史視頻數(shù)據(jù)、劇本腳本、語音信息以及骨骼驅(qū)動等多模態(tài)信號進行分析與理解，并基于此分別生成高表現(xiàn)力片段、復雜“人—物—場”交互片段以及大動作大表情片段。系統(tǒng)能夠?qū)@些片段在較長時間跨度上進行統(tǒng)一調(diào)度，確保語音、口型、表情與動作始終保持高度一致且同步。
如今，數(shù)字人正逐漸從實驗室走向各類應用場景，商業(yè)化進程顯著加快?？梢灶A見，隨著深度思考、多模態(tài)交互等關(guān)鍵能力的躍升，還將有越來越多數(shù)字人出現(xiàn)在屏幕上，走進人們的生活中。同時，業(yè)內(nèi)專家提醒，《直播電商監(jiān)督管理辦法（征求意見稿）》提出，使用人工智能等技術(shù)生成的人物圖像、視頻從事直播營銷活動的，直播間運營者應當在直播頁面進行顯著標識，持續(xù)向消費者提示該人物圖像、視頻屬于人工智能等技術(shù)生成，以與自然人名義或者形象進行明顯區(qū)分。
中國科學院信息工程研究所正高級工程師韓冀中說，人們在擁抱數(shù)字人技術(shù)的同時，也需設立清晰的邊界，必須防止利用高擬真技術(shù)以假亂真進行欺詐或虛假宣傳。技術(shù)的發(fā)展必須與法律、倫理的約束并行，確保創(chuàng)新在正確的軌道上行穩(wěn)致遠。（科技日報記者 都 芃）
（責任編輯：蔡文斌）
晉公網(wǎng)安備 14090202000008號 
