智东西

作者 李水青

编辑 漠影

今年6月，罗永浩的数字人登上百度电商直播间，连续6小时不间断“带货”，一边调侃、一边拎着可乐、喝着奶茶，与助播朱萧木的数字人一唱一和，引发1300万人次围观。这场直播最终实现GMV（商品交易总额）5500万元，刷新了数字人带货纪录。

▲罗永浩的数字人直播

现在，驱动这场直播的“AI总导演”，站上了世界互联网大会乌镇峰会的领奖台。

在11月6日至9日举行的2025年世界互联网大会乌镇峰会上，百度“剧本驱动多模协同的高拟真数字人技术”荣获领先科技奖，实现连续三年获奖。

▲百度CTO王海峰在讲解高拟真数字人技术

从罗永浩的数字分身到世界互联网大会的领奖舞台，我们看到数字人好像跟前几年我们印象中的不一样了，一个问题随之浮现：

让数字人跨越“形似”的初级阶段，进入“神形兼备”的全新境界，百度是如何做的？

一、乌镇大会上的AI新风向：数字人成大模型经典落地场景

世界互联网大会“领先科技奖”是全球互联网科技发展的一个风向标。

在今年的世界互联网大会乌镇峰会上，评审委员会从34个国家和地区征集了424项科技成果，经海内外专家评审，最终遴选出17项年度领先成果。

其中，作为融合了大语言模型与多模态技术的创新应用，百度“剧本驱动多模协同的高拟真数字人技术”成功入选。一同入选的还有中国科学院计算技术研究所、中国科学院软件研究所的“处理器芯片软硬件全自动设计”，清华大学“北斗三号卫星导航信号关键技术及应用”等成果。

▲2025年世界互联网大会领先科技奖颁奖现场

当下，数字人正成为AI最具代表性的落地场景之一。百度“剧本驱动多模协同的高拟真数字人技术”体现了这一趋势，不仅是语言、视觉、语音技术的融合创新，更是百度多年AI技术的集大成者。

从2023年“知识增强大语言模型关键技术”到2024年“文心智能体技术”，百度成为唯一连续三年获奖的人工智能公司。

二、何以“高拟真”？5大核心技术，为数字人注入“灵魂”

过去我们谈数字人，更多是关注“像不像”；而今天百度的数字人，已经进入“神似”的维度。何以“高拟真”？

其核心，在于以文心大模型为内核的“剧本驱动多模协同技术”，让数字人具备了自我理解、规划和表演的能力。该技术有以下五大创新点：

1、剧本驱动多模协同：为数字人注入“灵魂”

传统数字人依赖人工脚本和单模态驱动，而百度的这项技术能生成一份真正意义上的“剧本”， 剧本生成的核心在于语言模型驱动下的多模态协同，不仅有“说什么”，还有“怎么说、说的时候怎么配合动作表情”。

比如，当提到“法令纹”时，视觉系统会自动指向对应面部区域；当数字人“送福利”时，语音模块会自动调整语调，表现出兴奋情绪。甚至在双人互动时，还能标记“在哪个词后接话”，实现无缝对话。

这让数字人不再只是“说话的模型”，而是真正拥有导演级的多模态表达协调力。

2、融合多模规划与深度思考的剧本生成：让对话自然流畅

数字人不止能说台词，还能“思考剧情”。百度通过融合多模规划与大模型推理，实现了对对话上下文的整体理解。

在直播中，数字人不仅能按照预设剧本推进，还能根据直播间实时热度及用户反馈，智能调整讲解节奏与互动内容，实现衔接自然的动态交互。

这正是数字人老罗能秒接网络热梗，展现出鲜明人设与活泼语言风格的技术基础。

3、动态决策的实时交互：赋予“临场反应”能力

基于大模型的实时感知与决策能力，数字人不再是单向输出的播报机器，而具备了类似真人的现场“判断力”。

它能够理解弹幕评论、感知直播间氛围，并据此做出实时反馈，如回答用户提问、玩梗互动、调整讲解策略，从而极大提升了互动的真实感与用户的参与感。

4、文本自控的语音合成：告别“机械朗读”

声音，是数字人“灵魂”的另一半。百度的语音合成大模型通过“文本自控”机制，让声音摆脱机械朗读感，实现与表达与语义、情绪高度一致。

其核心在于，模型能深度理解直播台词的文风与语境，并结合发音人（如罗永浩）的独特特征，将文本信息“翻译”成自然、富有感染力的声音。

通过对话上下文编码器，百度解决了双人直播中声音配合的难题，实现了罗永浩与朱萧木数字人之间流畅、自然的对话效果。

5、高一致性超拟真长视频生成：挑战“时长极限”

数字人直播常常持续数小时，如何让其在长时间内保持表情、动作和场景的自然连贯，是一项行业难题。

百度通过结合多模态视频理解、跨模态信号生成等关键技术，攻克了高可控交互、长时间一致性保持等业界难题，实现了高一致性、超拟真的数字人长视频生成，将AI视频生成的应用边界从“秒级”拓展至“小时级”。

罗永浩数字人直播6小时全程动作自然、视线交互精准，就是这一技术的成果。

可以看到，百度以“神、形、音、容、话”的统一能力，构建一个兼具表达力与情感力的数字人系统。它不只是模仿人类，而是在理解人类表达逻辑的基础上“再创造人类体验”。

三、从罗永浩到万千场景：10万数字人，让开播成本暴降80%

顶尖的技术价值，最终需要通过大规模应用与实实在在的商业效益来验证。

在百度，这项获奖技术的规模化落地已现成效。官方数据显示，基于该技术已生产超过10万个数字人，覆盖电商、教育、法律、健康等数十个行业，助力商家开播成本降低80%，直播转化率提升31%。

以“罗永浩数字人”为例，其6月15日的首秀不仅是技术实力的展示，更是一场成功的商业实践：

整场直播持续6小时，AI调用知识库1.3万次，生成9.7万字产品讲解内容，双数字人搭档做出超8300个动作。从直播效果来看，整场直播吸引1300万人次观看，GMV突破5500万元，部分核心品类带货单量甚至超过罗永浩5月真人首秀同期数据。

罗永浩本人也通过视频表示“让我惊讶”、“完美收官”，称数字人直播“可能代表了电商直播的新趋势”。

▲罗永浩的数字人直播

技术红利正渗透至千行百业。在山东德州夏津县，三位平均年龄超65岁的老支书，借助百度“慧播星”数字人技术，进行7×24小时不间断直播，精准讲解产品、实时回复问题。开通数字人直播短短一个月，他们的地瓜直播间订单近万单，总销售额突破15万元，成功售出农产品3.3万斤。

据悉，这种“真人+数字人”双轨模式已形成可复制的助农路径——百度电商“一村一品”项目通过“慧播星”等技术，累计帮助全国1000多户农民增收，商品交易总额超2500万元。

可以看到，从超头主播的直播间到田间地头的助农现场，百度数字人技术正在智能客服、虚拟教师、数字代言人、互动娱乐等多个领域落地开花。

结语：AI数字人迎技术产业升级，带来商业新增长点

从罗永浩直播间里那个能接梗、会互动、神形兼备的数字人，到赋能十万数字人降低商业成本、提升转化效率的产业平台，我们看到，以大模型为核心的AI数字人技术，已成为驱动产业升级、创造商业新增长点的强大引擎。

数字人的发展，已走过“形似”、“神似”，正进入百度所定义的“高拟真”、“高说服力”阶段。而未来，数字人或将真正在某些方面超越真人，实现超长待机、千人千面、多语言多风格的极致服务。

过去的十年，百度在AI上的每一次突破，都像是铺设通向未来的基石。世界互联网大会展现出的新风向表明，技术长期主义与系统化布局是推动智能产业发展的必由之路。