《日常生活中的自我呈現(xiàn)》一書中，歐文?戈夫曼將戲劇表演引入社會學。他提出，人們在日?；永铮瑫勒疹A(yù)設(shè)的“劇本”（即社會規(guī)范），借助行為管理進行表演，在他人心中留下良好印象。

按照這個理論，數(shù)字人直播總被吐槽，原因就是數(shù)字人的演技太差，無法呈現(xiàn)出真人主播一樣的觀感，表情僵硬、手勢不自然，無法給大眾留下好印象。

就在最近，數(shù)字人主播界突然出現(xiàn)了一位演技實力派——羅永浩。羅永浩數(shù)字人在百度電商的首場直播，以長達連續(xù)近7小時的高強度直播，實時解答彈幕問題，動輒輸出“羅式段子”，還與助播朱蕭木互相拋梗接梗，刷新了大眾心中數(shù)字人的觀感。

甚至有人問老羅，“是不是你在扮演數(shù)字人”，簡直倒反天罡。

難辨真假、技驚四座的羅永浩數(shù)字人，到底是怎么實現(xiàn)的？6月17日的百度AI開放日慧播星專場現(xiàn)場，百度集團副總裁吳甜，揭秘了羅永浩數(shù)字人背后的技術(shù)秘密。最關(guān)鍵的就是，基于文心大模型4.5T的“劇本”生成與多模協(xié)同。

618硝煙正燃，而一場以AI大模型為核心驅(qū)動的電商效率革命，正拉開序幕。

大家有沒有這樣的經(jīng)歷：

評論區(qū)的彈幕太多，留言總是得不到主播的回復(fù)；

想看直播，但真人主播已經(jīng)下班了，錯過了專屬紅包和優(yōu)惠；

自己直播帶貨，但一面對鏡頭就緊張，直播效果不盡如人意；

等頭部主播來助農(nóng)直播，還得看對方的差旅安排和時間調(diào)配……

數(shù)字人被視為解決人力局限、實現(xiàn)全天候直播的理想方案。然而，以往的數(shù)字人一直無法惟妙惟肖地飾演真人主播，槽點主要集中在幾個方面：

演得不像。數(shù)字人的表情、手勢與肢體細節(jié)與文案對不上，產(chǎn)生“恐怖谷”效應(yīng)，讓觀眾感到詭異。

缺少互動。傳統(tǒng)數(shù)字人面對超出預(yù)設(shè)范圍的問題，無法像真人主播那樣靈活應(yīng)對，只能唱“獨角戲”，讓觀眾喪失了參與直播的積極性與體驗感。

時長不夠。很多數(shù)字人只能將短視頻循環(huán)播放，難以支撐長時間且一致的內(nèi)容生成與交互需求，低質(zhì)量內(nèi)容不僅影響用戶體驗，還可能被平臺限流甚至處罰。

行為不可控。數(shù)字人一旦出現(xiàn)失誤，不僅會損害品牌形象，還可能引發(fā)輿論危機，這也是許多頭部主播和品牌對數(shù)字人直播持謹慎態(tài)度的重要原因。

數(shù)字人扮演真人主播，需要跨越重重技術(shù)挑戰(zhàn)。那百度電商直播間的羅永浩，又憑啥成為直播“實力派”？

6月15日羅永浩數(shù)字人在百度電商，完成了數(shù)字人主播的極限挑戰(zhàn)，做到了不少業(yè)內(nèi)首個。

業(yè)內(nèi)首個超級頭部主播數(shù)字人直播。羅永浩的粉絲特別多，對真人主播的風格十分熟悉，需要數(shù)字人有極高的還原度。數(shù)字人羅永浩在直播間妙語連珠，與觀眾高頻互動，舉手投足間散發(fā)著熟悉的羅氏魅力。

業(yè)內(nèi)首個超六小時超頭部主播數(shù)字人直播，突破了AI視頻生成極限時間，生成的產(chǎn)品講解內(nèi)容就多達9.7萬字。

業(yè)內(nèi)首個多數(shù)字人直播，雙人配合，告別了一個數(shù)字人尬聊的局面。羅永浩和朱蕭木的搭檔，高度還原了真實主播與助播的直播狀態(tài)。兩個數(shù)字人主播能做出喝奶茶、拎可樂等細節(jié)動作，還實現(xiàn)了與直播間用戶彈幕的實時互動。

這一系列操作下來，刷新了不少人對數(shù)字人的固有印象。而羅永浩數(shù)字人的誕生，只用了幾個月的時間，究竟是如何習得媲美真人的“直播神技”？我們扒開了數(shù)字人背后的一整個大模型“導師團”。

一場精彩的數(shù)字人直播，絕非單一技能的炫技。想象一下，如果數(shù)字人語言表達生動流暢，卻搭配著僵硬機械的表情和動作，或是語音語調(diào)平淡乏味，如同 “讀稿機器”。這正是傳統(tǒng)數(shù)字人技術(shù)的痛點：語言依賴臺詞模型，語音靠TTS 合成，表情肢體等視覺表現(xiàn)由視頻合成，各模態(tài)模型“各自為政”。數(shù)字人的臺詞、表情、動作完全不在一個節(jié)奏上，觀眾瞬間就會“出戲”。

作為業(yè)內(nèi)首個多模高度融合數(shù)字人，羅永浩數(shù)字人的出色表現(xiàn)，正是得益于百度多模協(xié)同的數(shù)字人技術(shù)。

按照歐文?戈夫曼的理論，“劇本”是戲劇表演的核心，演員需依劇本塑造符合期待的形象。數(shù)字人領(lǐng)域，“劇本”同樣是關(guān)鍵所在。

擁有一個高質(zhì)量的劇本，就如同數(shù)字人有了總指揮，讓語言、語音、視覺等不同模態(tài)圍繞劇本，彼此協(xié)同配合，才能讓數(shù)字人在直播中展現(xiàn)出渾然天成的表現(xiàn)力。

以數(shù)字人羅永浩為例，背后就有一個文心大模型的“導師團”進行助力：

首先，是基于大語言模型的劇本生成。

生成劇本的文心大模型，相當于總導演兼總編劇，通過臺詞，為數(shù)字人賦予生動鮮活的“靈魂”。拿羅永浩數(shù)字人來說，文心大模型4.5T需要攻克以下關(guān)鍵難題。其一，風格定制。羅永浩犀利幽默、朱蕭木風趣灑脫，每位主播都有獨特的語言風格，文心大模型通過風格建模，深度學習主播們的語言習慣、表達方式，從遣詞造句到語氣節(jié)奏，全方位貼合主播個人風格進行定制，在模型生成的臺詞中精準復(fù)現(xiàn)，讓數(shù)字人開口自帶主播“味道”。

除了語言風格，人設(shè)一致也是數(shù)字人獲得觀眾認可的關(guān)鍵。特別是在多角色配合時，羅永浩作為主咖，朱蕭木作為助播，文心大模型在生成劇本時，精準把握二人特點與分工，使臺詞在語言上自然附和、緊密配合。比如在產(chǎn)品推薦環(huán)節(jié)，主播重點介紹核心賣點，助播適時補充細節(jié)、引導互動，一問一答、一唱一和，展現(xiàn)出符合人設(shè)的行為與語言邏輯。

在文心大模型 4.5T的精心雕琢下，生成了既有真人溫度，高度還原主播個人特色，又有網(wǎng)感，能將商品賣點生動展現(xiàn)的直播劇本。

接下來，就是“劇本圍讀”，讓多模態(tài)系統(tǒng)基于劇本，進行信息對齊。

語音大模型作為口語導師，視覺大模型作為動作導師，先根據(jù)大語言模型生成的語音標簽和視覺標簽，然后生成協(xié)調(diào)一致的語音和表情動作，賦予數(shù)字人影帝、影后般的表現(xiàn)力。

這個過程的難點，是多個模型的對齊。想象一下，如果語音模型理解的臺詞情感激昂，而視覺模型呈現(xiàn)的卻是平淡表情，數(shù)字人就會“表里不一”，讓觀眾倍感違和。百度AI數(shù)字人，以大模型生成的劇本為統(tǒng)一標尺，確保從臺詞到語音、從表情到動作，各環(huán)節(jié)的理解與執(zhí)行步調(diào)一致。

比如羅永浩與助播數(shù)字人之間，會出現(xiàn)頻繁的打斷說、同時說，需要語音合成系統(tǒng)精準捕捉對話節(jié)奏。百度通過加入對話上下文解碼器，整合歷史對話與當前信息，讓數(shù)字人在互動時的語音銜接自然流暢，重現(xiàn)真人搭檔的默契感。

同時還建立了反向?qū)R的反饋機制，也就是語音模型合成后，會基于自身對文本的細粒度判斷進行優(yōu)化，再將這些信息反饋給視覺模型，實現(xiàn)音畫間的精準匹配，形成一個閉環(huán)的協(xié)同體系。

通過多模系統(tǒng)的“劇本圍讀”，可以在劇本指引下，完成聲臺行表的默契配合，讓數(shù)字人在直播鏡頭前展現(xiàn)出媲美真人的表現(xiàn)力，為觀眾帶來沉浸式的觀看體驗。

六七個小時的直播，數(shù)字人只能對著劇本“照本宣科”嗎？為什么數(shù)字人羅永浩還能在直播間跟用戶實時互動呢？這就要提到第三個關(guān)鍵能力：臨場發(fā)揮的靈活性與可控性。

據(jù)吳甜介紹，數(shù)字人直播就像拍電影，演員的表演并不是照本宣科，要有對劇本的理解和臨場發(fā)揮。

其中，劇本作為核心，確保數(shù)字人行為邏輯的一致性，而文心大模型則賦予其應(yīng)對復(fù)雜場景的“應(yīng)變力”和長時間的可控性。

在時長如馬拉松式的直播中，現(xiàn)實場景的復(fù)雜性遠超想象。用戶突如其來的刁鉆提問，直播間場景內(nèi)人物、商品、環(huán)境的自由交互，都暗藏著不可控因素。讓數(shù)字人在復(fù)雜交互場景中也能游刃有余，文心大模型是這場技術(shù)突圍的“智慧中樞”。

一方面，依托大模型的語言理解與生成能力，結(jié)合直播場景的高頻需求進行針對性訓練，賦予數(shù)字人實時理解用戶意圖的“洞察力”。在羅永浩數(shù)字人直播中，AI知識庫1.3萬次的調(diào)用，9.7萬字的內(nèi)容生成，正是文心大模型強大創(chuàng)造能力的直觀體現(xiàn)。

另一方面，依托文心大模型4.5T的深度思考能力，在劇本生成時先進行規(guī)劃和思考，搜索最優(yōu)路徑，再通過評價和評估，提升最終的可控性。

當數(shù)字人在直播間自如切換講解模式、巧妙化解突發(fā)提問，與用戶深度互動，背后正是多文心大模型在持續(xù)穩(wěn)定地發(fā)揮作用，為數(shù)字人直播行業(yè)開辟出長時、靈活、可控、優(yōu)質(zhì)的全新賽道。

總結(jié)一下，羅永浩數(shù)字人直播的成功，離不開百度大模型技術(shù)體系的托舉，也是百度大模型技術(shù)實力的具象化呈現(xiàn)。

歐文?戈夫曼的“擬劇理論”成為社會學經(jīng)典，在于其揭露了社會協(xié)作的基礎(chǔ)——每個人依據(jù)劇本扮演良好形象，教師扮演好傳道授業(yè)的角色，醫(yī)生恪守救死扶傷的職責，整個社會才能有序運轉(zhuǎn)。

當直播行業(yè)走過野蠻生長的黃金期，流量紅利消退，主播需要扮演什么樣的角色呢？或許是專業(yè)導購，能夠?qū)Ξa(chǎn)品細節(jié)和專業(yè)知識娓娓道來；是貼心客服，及時響應(yīng)用戶的每一個疑問；是知心朋友，在用戶需要的時候提供全天候陪伴……這樣才能與觀眾建立信任紐帶，走向高質(zhì)量發(fā)展。

專業(yè)且敬業(yè)的真人主播，培養(yǎng)不易，開播成本也是中小商家所無力負擔的。這時候，AI數(shù)字人的技術(shù)革命，成為打破直播效率困局的關(guān)鍵。

在大廠紛紛布局數(shù)字人，競爭白熱化的背景下，百度依然憑借AI技術(shù)優(yōu)勢，構(gòu)建起數(shù)字人的差異化能力：

一是先進。百度數(shù)字人直播的技術(shù)能力如劇本生成、多模驅(qū)動、一致性和高擬真性等，是業(yè)界天花板。對數(shù)字人技術(shù)要求苛刻的超級頭部主播來說，選擇百度數(shù)字人放大IP價值，用自身的專業(yè)能力24小時服務(wù)用戶。

二是專精。當部分企業(yè)投入海量資源研發(fā)通用型視頻生成技術(shù)時，百度深耕數(shù)字人直播場景，推出的慧播星數(shù)字人系統(tǒng)已服務(wù)超10萬商家，覆蓋32個垂直行業(yè)。對中小商家來說，通過百度數(shù)字人可以輕松開播，品嘗到AI技術(shù)帶來的增長紅利。

三是性價比。借助百度AI技術(shù)，品牌商家可獲得“人貨場”的全面助力，除了數(shù)字人，還可以利用AI技術(shù)對商品進行深度分析和理解，實現(xiàn)商品的智能管理和精準營銷。提升收益的同時，百度數(shù)字人的綜合成本比真人主播要低，而且隨著開播的場次越多，它的邊際收益越高，未來數(shù)字人的生產(chǎn)制作成本還會進一步的下降。

這場從流量爭奪到技術(shù)深耕的變革，正在重新定義直播行業(yè)的未來。當數(shù)字人頂流登上直播舞臺，百度AI驅(qū)動的直播下半場，也是智能電商的新篇章。

審核編輯 黃宇