太真了！羅永浩數字人引爆直播間，背后技術有多強？快訊
羅永浩數字人直播間有兩位數字人，為何這次羅永浩數字人在百度優選直播間的表現卻讓人眼前一亮呢，羅永浩數字人直播間做到了。
【TechWeb】6月18日消息，一年一度618，電商平臺們都在拼低價、拼補貼卷生卷死的時候，百度另辟蹊徑，聯手羅永浩搞了一場數字人直播，因為太擬真，以至于讓直播間的網友都在猜：這是“真的假的”羅永浩。
羅永浩數字人直播間
6月15日下午，“羅永浩數字人”在百度電商首次開播，全場近7小時GMV達5500萬元，觀看人次超1300萬，部分品類銷量超甚至越過了5月23日羅永浩真人直播場。
事實上，數字人直播早已不是新鮮事，為何這次羅永浩數字人在百度優選直播間的表現卻讓人眼前一亮呢？
在百度AI Day上，百度副總裁、電商總經理平曉黎，百度集團副總裁吳甜揭秘了羅永浩數字人背后的黑科技和更多細節。
真假難辨的“羅永浩”
仔細觀察這次羅永浩數字人的直播表現，會發現，這場直播創下幾個業內首次：
第一，這次數字人直播全場持續了近7小時。
目前市面上主流的AI生視頻產品生成的視頻時長大多在幾十秒至十幾分鐘，近7小時的數字人直播可謂超越了AI視頻生成極限。
如何讓一個AI生成的數字人影像保持近7小時的一致性？這背后需要解決哪些技術挑戰？
第二、和市面上大多的單個數字人直播不同，羅永浩數字人直播間有兩位數字人，分別是羅永浩和他的助手朱蕭木的數字人。
這是行業首次“多數字人直播”，并且，在直播中羅永浩與助播數字人配合自然、雙數字人搭檔接梗流暢，搶話自然。
雙人/多人直播相比單人直播，又有哪些技術鴻溝需要翻越？
第三、數字人羅永浩不但能做出喝奶茶、拎可樂等細節動作，還能與直播間用戶發布的彈幕進行實時互動，就像真人直播間一樣玩抽獎、發福袋等互動。這一點更是秒殺一眾對口型的直播數字人。
同樣的，在長達近7小時的直播中，是如何保持數字人互動動作的精準度的？
也正是因為上面這些直播特征，讓直播間的網友一時之間分不清在直播的到底是羅永浩本人，還是羅永浩數字人，真假難辨了。
平曉黎：百度數字人與市面上的直播數字人相比，有代際優勢
這個真假難辨的“羅永浩”，百度是如何打造的呢？
百度副總裁、電商總經理平曉黎介紹了“羅永浩數字人”的打造過程：今年 4 月百度發布了高說服力數字人，這是一個新的里程碑。此后，在高說服力數字人的基礎之上，百度電商慧播星再一次迭代，圍繞慧播星首席體驗官羅永浩，發布了業界首個超頭主播的數字人，實現了體驗、內容、視覺、效果的四大突破，使得數字人帶貨能力媲美真人。
在平曉黎看來，百度的這個“超頭主播的數字人”，跟市場上目前的直播數字人之間，存在著明顯的“代際”優勢。正是對體驗、內容、視覺、效果的四大突破，成就了這種優勢。
具體來看，羅永浩數字人直播間做到了：
體驗突破，復刻羅永浩跟朱蕭木的絲滑配合，是業界首個雙數字人互動直播間；
內容突破，數字人做到了“懂創作”，帶貨時塑品專業度更高，數字人可以“有個性”，甚至能“玩梗”，為數字人注入靈魂；
視覺突破，羅永浩數字人直播實現了在直播實時環境下的超長演繹，做到了動作、表情、語調等貼合話術，且穩定可控；
效果突破，AI大腦基于直播間信號靈活控場，數字人可以主動邀評、高頻互動，極大提升用戶沉浸感；通過多智能體實時調度，在數字人直播間實現了和真人直播間一樣的互動玩法，如抽獎、發福袋等。
平曉黎介紹，目前，在百度慧播星，單個數字人的制作成本在1000元/月左右。目前百度電商已有累計超 10 萬數字人主播，覆蓋電商、教育、醫療等數十個行業，助力商家直播運營成本下降超80%，GMV平均提升62%。
五大關鍵技術揭秘
那么，這項領先行業的“羅永浩數字人”到底是如何實現的呢？
百度集團副總裁吳甜在百度AI Day上進行了背后技術大揭秘。
吳甜表示，百度在今年4月發布了最新的文心 4.5 Turbo和文心X1 Turbo為此次直播提供了強有力的技術支撐，打造了多模協同的數字人技術，羅永浩數字人是基于文心大模型的最佳實踐。
具體到羅永浩數字人的打造上，吳甜總結道，羅永浩數字人直播背后的五大關鍵技術包括：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，以及高一致性超擬真數字長視頻生成。這些技術的綜合應用，為用戶呈現了一個高質量的直播間表現。
直播中，數字人不僅要詳細解讀商品，還要通過肢體語言和表情傳達商品特性，這構成了一個多模態的協同問題。多模協同的數字人技術是數字人表現好的關鍵所在。百度為了實現語言、語音和視覺的協調一致，采用了一種基于劇本驅動的技術方案，劇本不僅包含臺詞，還包括對視覺、語音等模態以及在直播過程中的實時互動內容，確保數字人的表達在語義、語氣語調、微表情和手勢上高度協同。
在數字人語音合成方面，通過采用文本自控的語音合成等技術，實現了更逼真、互動性強的對話效果。為解決羅永浩數字人直播雙人聲音配合的難點，百度采用對話上下文編碼器，將對話歷史輸入和當前對話進行語音合成的統一推理計算，最終實現流暢、自然的雙人對話效果。
吳甜還特別提到，在直播間的環境下，數字人形象生成的挑戰主要集中在多模協同、高表現力動作的傳達、復雜交互的實現以及超長時長的一致性保持。百度通過多模態輸入，包括視頻、劇本、語音和骨骼信號，以及對視頻的多模態理解和人、物、場的高可控視頻生成，實現復雜交互片段和大表情、大動作片段的生成。特別地，面對羅永浩直播間兩位具有高IP價值的主播以及豐富的商品，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。
現在，羅永浩已經入駐百度優選，將以真人+數字人的形式不定期開播。同時，羅永浩將擔任百度慧播星首席體驗官，雙方也將在“AI+直播”領域進行探索。
未來數字人直播表現會演進到何種逼真度，值得期待。
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
