作者 ｜ Yoky

邮箱 ｜ yokyliu@pingwest.com

5500万GMV，这可能是迄今为止，一个AI数字人单次直播带来的最高销量。

过去几年内，数字人直播代替真人主播的传言总是一波又一波，空无一人的直播基地无数手机屏幕“自动地”产生着GMV，这个画面曾经击中了无数网友的心。但现实是，这些数字人们机械重复的动作、无法随机应变的话术反而让真人主播们都松了一口气。

但这次，真正的转折点来了。6月15日，罗永浩数字人在百度直播的第一次亮相，连播近7小时，达成了1300万人次观看、GMV突破5500万的成绩，不仅破了AI数字人圈里的记录，甚至超过了真人的记录——互动量超真人直播间3倍。

一直以来，数字人技术成熟度的一个核心评判标准，都是与真人主是否存在差距，以及有多大的差距。而在此次的直播间，弹幕里“这是真的还是假的”的评论不断刷屏，已经证实了这次AI数字人的惊人效果。

更重要的是，这不是一次炫技式的表演，而是百度AI在真实商业环境的实战演练。当整个行业还在为文生视频的“确定性” ，百度已经用AI为商家和创作者们端起了第一个能真正“养活”自己的“饭碗”。

如何用AI炼成“真”罗永浩？

这背后并非单一模型的技术突破，而是一套多模协同的数字人技术。简单来说，这套技术将语言大模型置于“总导演”的位置，统筹指挥着语音、视觉等各个“演员”，完成了一场几乎以假乱真的演出。

与传统数字人技术形成鲜明对比的是，过去的方案往往采用语言、语音、视觉三条独立流水线，各自生成内容后再强行拼接，这必然导致音画不同步、表情僵硬、言语乏味等问题。

百度的技术方案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，实现了数字人“神、形、音、容、话”的高度统一。最终呈现出一个具备高表现力，内容吸引人，人-物-场可自由交互的超拟真数字人。

具体而言，“剧本”模型扮演了总指挥的角色。它在生成时输入的并非只有文本，而是包含商品信息、历史视频、主播人设要求等多模态信息。剧本会生成对视觉和语音的具体要求，即所谓的“标签”，为后续的视觉和语音模型提供方向性指引，从而确保内容、语气和表情在语义上的高度一致性。

百度集团副总裁吴甜告诉硅星人，多模态协同的难点在于多个模型对于要求的理解是一致的。这意味着从剧本（导演）到语音、视觉（演员），整个团队对表演基调有统一认知。同时，各个演员（各模态模型）又保有自己的“发挥空间”，比如语音模型会根据自身对文本的细粒度理解调整语调顿挫，而不是完全被剧本的词语锁死。

以罗永浩数字人剧本为例，基于文心大模型4.5 Turbo生成的剧本，充分展现了主播的个人特色，具备典型的罗氏幽默风格，并能够实现双人主播的内容协同，动态实现丰富的实时互动。

在单体完成“真老罗”的打造后，体现直播生命力的实时互动成为另一个更关键的挑战。面对评论区海量、无序的用户提问，以及与助播的配合上，数字人如何做到实时、自然的回应？这背后是一套动态决策系统。

在直播过程中，模型并非对每个问题都立即回复。系统会对评论区进行智能分析，结合主播当前的讲解节奏，选择合适的时机、合适的问题，以及合适的回答策略进行触发。这种“谋定而后动”的机制，远比简单的“一问一答”更接近真人主播的互动逻辑。

为了彻底解决实时生成的延迟问题，百度采用了“流式生成”的工程化设计。语言、语音、视觉三个模态并非串行等待，而是像流水线一样并行工作，极大缩短了用户感知的时延沃特福德直播入口。同时，系统采用“离在线统一”的方法，部分可预见的交互内容可以提前处理，而需要即时反应的部分则在线动态生成。通过系统性优化，成功解决了生成视频这类高耗时任务的卡点问题，最终实现了丝滑的交互体验。

更进一步地，在双人直播中，大量的打断、复说、抢话等场景对语音合成提出了极高要求。吴甜提到，通过引入“对话上下文解码器”，模型能够结合历史对话信息进行推理，从而实现老搭档之间那种默契、自然的对话流。

在数字人形象生成以及驱动方面，百度通过结合多模态视频理解、跨模态信号生成、视频生成等技术，克服了高可控交互，高精度、长时间一致性保持等难点，实现了高一致性超拟真罗永浩数字人长视频生成。

而且在此过程中，能保证语音、口型、表情与动作始终保持高度同步，从而实现真正的「音、容、话」一致。

从炼成“罗氏幽默”到跑通商业闭环，百度数字人不仅为行业树立了新的技术标杆，更重要的是，它为AI技术如何从“热搜”走向真实的生产线，提供了一份极具说服力的答卷。

不要“超级应用”，要“超级有用”

对于在直播电商红海中拼杀的千万商家而言，现实的挑战正变得愈发尖锐：头部主播签约费动辄千万，自建团队每月固定开销数万甚至数十万，而流量获取成本却在持续攀升。在这种环境下，如何在保证效果的前提下控制成本，成为每个商家必须面对的生存课题。

数字人技术，一度被视为破局的希望。然而，早期的数字人更像是一个“不知疲倦的播报员”，形象呆板、互动生硬，无法传递信任，更遑论激发购买欲。它们解决了“有没有”的问题，却没能解决“好不好用”的核心痛点。市场真正需要的，不是一个仅仅能节省成本的“工具”，而是一个能真正替代真人、创造价值的“战力”。

那么，一个“真正可用”的数字人到底意味着什么？它不仅要形象逼真，更要具备三项核心能力：能理解商品、能与人互动、能建立信任。罗永浩数字人直播的案例，恰恰为这三点提供了行业标尺。它不再是简单的产品复读机，而是能用“罗氏幽默”与观众调侃，能根据实时提问调整讲解策略，最终实现了与真人主播几乎无异的带货效果。

从商业角度审视，这背后反映的是两笔关键账目的变化：

第一笔是成本账。数据显示，数字人直播能平均降低约80%的成本。这意味着商家可以将过去投入在昂贵主播身上的预算，转移到供应链优化和市场推广上，彻底重构成本结构。千元级别的投入，就能获得一个7x24小时在线的主播，这在过去是不可想象的。

第二笔是效率账。在保健品、教育、旅游等需要深度讲解的品类上，知识储备无限、表达精准无误的数字人，其转化效率已开始超越真人。对于拥有好产品但缺乏优秀主播的商家，或是不希望核心名师被直播消耗的教育机构而言，数字人代表着一条全新的增长路径。

“好用”的数字人并非凭空而来，它的出现反映了不同公司在技术路径上的战略分化。当我们从市场应用效果反推其背后的技术逻辑时，百度的选择便清晰地浮现出来。

当前行业的主流叙事集中在卷模型，各家比拼参数规模和基准测试成绩。而百度的路径更偏向卷应用，这一选择的底气源于其在多模态技术上的长期积累。

这种“应用为王”的战略，最终指向的是生产力的规模化落地。复刻罗永浩更多是技术天花板的展示，其真正的商业价值在于将这种能力以低门槛、可复制的方式赋能给广大中小商家。百度电商总经理平晓黎在接受采访时表示，相比追逐头部IP，更倾向于“让更多的中小商家、腰部商家，还有创作达人能够做起来”。

更关键的是，这条路径验证了AI产业期待已久的商业闭环。从行业发展的角度看，罗永浩数字人直播的意义远超一场带货本身。它为AI产业提供了一个清晰的价值验证：技术的最终价值必须通过为实体经济创造可度量的商业成功来检验。这种“超级有用”的路径，或许比追逐“超级应用”的概念更具现实意义。当然，这种模式能否被广泛复制，以及在更多垂直领域的适用性，仍需要市场的进一步检验。