2025-07-13 12:50:14【新智元导读】刚刚过去的618★✿✿✿，罗永浩又创下炸裂新纪录——被自己的AI分身打败了★✿✿✿！在百度电商直播间★✿✿✿，罗永浩数字人强势登场★✿✿✿，不仅爆梗频出★✿✿✿、神似度拉满★✿✿✿，还一举打破老罗本人首秀纪录★✿✿✿，成交额破5500万★✿✿✿。这背后★✿✿✿，大模型已成为幕后操盘手★✿✿✿！
而部分3C★✿✿✿、食品等核心品类商品带货单量★✿✿✿，老罗的数字人也直接吊打线月份在百度电商直播首秀的同期数据k8凯发官方网站★✿✿✿。★✿✿✿，用户平均观看直播的时长也超过了5月真人首秀★✿✿✿。
为什么我们看到的「老罗」★✿✿✿，无论是长相k8凯发★✿✿✿。★✿✿✿、微表情★✿✿✿、声音★✿✿✿，还是口中爆出的梗★✿✿✿，都如此酷似真人★✿✿✿，形神兼备★✿✿✿，模仿出了老罗的「灵魂」？
该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K8凯发集团★✿✿✿，★✿✿✿、容★✿✿✿、话」的高度统一★✿✿✿。
首先★✿✿✿，台词本身是有多样化风格的★✿✿✿，需要配合主播本人去打造★✿✿✿，因此百度团队开展了风格建模★✿✿✿，能够实现对不同风格的生成和定制★✿✿✿。
第二★✿✿✿，就是打造拟真化的人设★✿✿✿，进行不同人设的建模和还原★✿✿✿，面对直播间存在多位主播的情况还要在台词生成阶段就考虑不同角色之间的协同★✿✿✿。
第三★✿✿✿，直播间讲品时★✿✿✿，在讲述有吸引力内容的同时要杜绝幻觉出现★✿✿✿，因此要平衡内容的创造力和真实性★✿✿✿，需要引入深度思考和知识增强等★✿✿✿。
具体到老罗数字人的实际技术实施中★✿✿✿，百度基于文心大模型4.5 Turbo★✿✿✿，投入了他真人直播数据向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，依托转录挖掘★✿✿✿、优质提炼★✿✿✿、仿写合成与自动评估等四个环节不断优化训练语料★✿✿✿，使模型学习两位主播的语言特点与思维习惯★✿✿✿。
同时引入多角色协同机制★✿✿✿，对不同主播的表达逻辑进行建模★✿✿✿，使对话在语义推进凯发娱发K8官网★✿✿✿，★✿✿✿、节奏控制和风格调性上保持协调一致★✿✿✿，带给直播观众流畅★✿✿✿、自然的观看体验★✿✿✿。
多模驱动★✿✿✿，是指大语言模型基于任务目标与主播人设生成基础台词★✿✿✿，并同步输出视觉与语音的多维标签★✿✿✿。
比如在语音合成的时候★✿✿✿，会利用剧本当中的段间标签★✿✿✿，来完成语音段间语调的协调一致向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，而文本内容也能驱动TTS完成细颗粒度语调的协调一致★✿✿✿。
有了语音合成的数据★✿✿✿，和剧本对视频的要求之后★✿✿✿，在视频的合成和生成时★✿✿✿，就能够对高表现力的动作进行对齐★✿✿✿，对唇动★✿✿✿、表情生成进行对齐★✿✿✿，最终实现「声★✿✿✿、形★✿✿✿、意」三模态的统一★✿✿✿。
百度团队设计了丰富的动态交互模式★✿✿✿，还通过视频断点设计★✿✿✿，让动态视频片段能够在视频流中顺畅衔接★✿✿✿。
在以前★✿✿✿，语音合成很多都是朗诵式的★✿✿✿，非常字正腔圆★✿✿✿，但在直播间里★✿✿✿，说话就要更加自然★✿✿✿、流畅凯发k8一触即发★✿✿✿，在特定场景时★✿✿✿，主播还要非常有激情★✿✿✿。
我们在老罗数字人直播间里看到的两位数字人主播自然流畅★✿✿✿、抑扬顿挫的语音★✿✿✿，百度是如何通过技术手段实现的呢？
比如下面这段★✿✿✿，首先朱萧木在开场时★✿✿✿，会语气平静地说★✿✿✿：「咱们今天给大家带来一款特别适合夏天聚会喝的啤酒★✿✿✿。」
然而老罗的语气就会从平静到热烈向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，开始激情澎湃★✿✿✿：「没错★✿✿✿，青岛啤酒★✿✿✿，这可是线年就创立了★✿✿✿，这不用说★✿✿✿，真老品牌了吧★✿✿✿。来★✿✿✿，萧木★✿✿✿，咱们先倒上★✿✿✿，给大家看看这酒体★✿✿✿。」
可以看出★✿✿✿，这个过程中的难点★✿✿✿，就在于语音的高度还原k8凯发天生赢家一触即发★✿✿✿，★✿✿✿，以及双人配合中时常会出现的打断说话★✿✿✿、附和说话★✿✿✿。
通过文本自控的语音合成大模型★✿✿✿，实现字级别指令遵循的合成能力★✿✿✿，控制声音效果的平滑流畅★✿✿✿，再结合直播文本及发音人信息★✿✿✿，合成风格恰当★✿✿✿、自然流畅的声音★✿✿✿。
而为了解决老罗和朱萧木这种老搭档式的双人配合★✿✿✿，团队还加入了「对话上下文解码器」★✿✿✿，将历史对话和当前对话的信息来统一进行合成时的推理计算★✿✿✿，最终顺利实现了大量打断★✿✿✿、复说的场景★✿✿✿。
另外★✿✿✿，看到两位主播在带货过程中有大量讲品的动作跟手势★✿✿✿，这种高表现力的动作和标签★✿✿✿，能给用户更强的感染力★✿✿✿，但对技术的要求极高★✿✿✿。
而且★✿✿✿，直播间中还有一个复杂交互的问题★✿✿✿，主播本人★✿✿✿、面前商品以及背后场景的自由交互★✿✿✿，都需要符合物理世界规律★✿✿✿，不能出错★✿✿✿。
比如一个数字人举起茶杯★✿✿✿，嘴里说出「一起品着茶★✿✿✿，听我娓娓道来」★✿✿✿，此外还有语音和动作的配合★✿✿✿，这就必须做到人-物-场的信息一致性★✿✿✿，才能生成对应的高可控视频★✿✿✿。
最后一个挑战★✿✿✿，就是超长时长了★✿✿✿。现在的一场直播动辄七八个小时★✿✿✿，如何在这么长的时间里保持这种高度的一致性★✿✿✿，也是很大的挑战★✿✿✿。
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凯发k8一触即发★✿✿✿，实现了高一致性超拟真罗永浩数字人长视频生成凯发k8一触即发★✿✿✿。
而且在此过程中向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，能保证语音★✿✿✿、口型凯发k8一触即发★✿✿✿、表情与动作始终保持高度同步向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，从而实现真正的「音★✿✿✿、容★✿✿✿、话」一致★✿✿✿。
而具体到老罗直播间★✿✿✿，因为整场直播的商品都非常丰富★✿✿✿，不仅品类繁多★✿✿✿，体积★✿✿✿、位置★✿✿✿、用途也各异★✿✿✿，为了实现超长视频的一致性★✿✿✿，团队对人的ID和商品ID都进行了专门的建模★✿✿✿。
这样★✿✿✿，就做到了在很长的讲品时间内★✿✿✿，数字人都体现出了令人惊叹的高可控交互★✿✿✿、人和物品的双高精度★✿✿✿，以及长时间的一致性★✿✿✿。
作为国内最早投入大模型产研的企业之一★✿✿✿，百度在芯片凯发k8一触即发★✿✿✿、框架★✿✿✿、模型★✿✿✿、应用四层技术栈上全面布局★✿✿✿，并构建起一套从技术到应用的完整战略打法★✿✿✿。
作为百度AI技术的核心向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，文心大模型在过去几年时间已从1.0连续迭代至4.5★✿✿✿，再到最新4.5 Turbo和思考模型X1 Turbo的推出★✿✿✿，恰为数字人直播提供了强大的支撑★✿✿✿。
百度集团副总裁吴甜用了一个生动的比喻★✿✿✿：数字人直播就像拍电影★✿✿✿，剧本——语言模型提供整体框架★✿✿✿，而演员——语音和视觉模型在理解剧本的基础上进行个性发挥★✿✿✿。
直播间直播时★✿✿✿，数字人的回应如何照顾用户感受★✿✿✿，将体验效果极大化★✿✿✿，模型本身又触发的逻辑和策略★✿✿✿，但还需要综合考虑产品体验★✿✿✿。
数字人直播的长期价值★✿✿✿，在于对直播生态的重塑★✿✿✿。它不仅是技术的胜利向日葵app下载汅api免费丝瓜ios在线观看★✿✿✿，更是市场接受度和生态融合的起点★✿✿✿。
未来★✿✿✿，当数字人从直播间走向产业纵深★✿✿✿，一场静默的技术渗透早已悄然展开——它们不再是替代人类的「打工人」★✿✿✿，而是进化成撬动行业升级的新杠杆★✿✿✿。
