每經(jīng)記者 朱成祥    每經(jīng)編輯 張海妮    

在通義千問宣布大模型降價后，百度也隨即宣布旗下兩款大模型免費(fèi)。5月22日，科大訊飛（002230.SZ，股價43.87元，市值1015.76億元）也宣布訊飛星火LiteAPI永久免費(fèi)開放。

當(dāng)下，數(shù)字人的互動能力正是依賴于大模型。大模型紛紛降價，對互動數(shù)字人是否是個機(jī)會呢？

5月21日，飛影數(shù)字人戰(zhàn)略顧問小豪對《每日經(jīng)濟(jì)新聞》記者表示：“數(shù)字人和大模型是兩個領(lǐng)域。大模型價格下跌，對我們正在做的新產(chǎn)品（互動數(shù)字人）是利好。我們結(jié)合大模型之后，數(shù)字人升級進(jìn)化成數(shù)智人。”

訊飛智作產(chǎn)品經(jīng)理姚仕豪認(rèn)為：“大模型有利于虛擬人的發(fā)展，目前看成本不是關(guān)鍵因素，效果更重要。”

數(shù)字人崛起

小豪首先向記者講述了數(shù)字人的具體操作：“現(xiàn)在的數(shù)字人，是需要你給文案，再根據(jù)文案來生成數(shù)字人視頻。接入大模型之后，這個數(shù)字人就可以實時互動。比如數(shù)字人直播，可以根據(jù)觀眾的提問來實時回答。大模型是‘大腦’，數(shù)字人是‘身體’，兩者結(jié)合，成為新的數(shù)智人。”

那么，大模型降價之后，對數(shù)字人行業(yè)有何影響呢？

小豪說：“比如前面說到的互動數(shù)字人，大模型成本降低后，面向C端普通人的用戶場景才能夠被真正釋放。如果大模型的價格很高，你跟一個數(shù)字人聊天1小時，光是大模型的費(fèi)用就要很多，現(xiàn)在價格下降了90%后，普通人也能承擔(dān)（得起）這個費(fèi)用。”

頭豹研究院行業(yè)分析師陳慶民也對記者表示：“大模型技術(shù)的發(fā)展將為數(shù)字人提供更好的交互性，尤其是結(jié)合自然語言處理和語音識別技術(shù)，數(shù)字人可以更自然地理解和回應(yīng)人類語言，從而提升用戶體驗。”

不過，在姚仕豪看來，相比降價，數(shù)字人的效果更重要。根據(jù)訊飛智作公眾號文章，虛擬人（數(shù)字人）本質(zhì)是對人的數(shù)字化模擬，具備三大特征：外觀、行為和思想。這些特性的實現(xiàn)依賴一系列先進(jìn)技術(shù)的融合，如圖像識別、3D建模、動作捕捉、自然語言處理、計算機(jī)視覺等。

即數(shù)字人不僅僅需要大模型技術(shù)。

4月30日，《每日經(jīng)濟(jì)新聞》記者來到淘氣叮當(dāng)總部。工作人員向記者展示了數(shù)字人動作捕捉的場景，以及數(shù)字人直播效果展示。如果不是工作人員提醒，記者已經(jīng)很難分清真人直播與數(shù)字人直播的區(qū)別。

上述工作人員說：“你看到的這個場景叫做多模態(tài)建模。她（正在被建模的真人主播）現(xiàn)在說的話、行為動作都會被我們在后臺打上標(biāo)簽，通過文字帶動標(biāo)簽形成一系列動作，還原成你看到的現(xiàn)場。錄制需要一個小時以上，因為得有足夠多的動作和語言。如果5分鐘、10分鐘的素材來做建模，出來的效果并不符合品牌方的要求。”

數(shù)字人多模態(tài)建模場景 圖片來源：每經(jīng)記者 朱成祥 攝

公司總經(jīng)理王微接受《每日經(jīng)濟(jì)新聞》記者采訪時表示：“數(shù)字人直播之所以能做到那么逼真，與技術(shù)進(jìn)步密切相關(guān)。比如大模型技術(shù)、動作捕捉、CG（計算機(jī)圖形）、CV（計算機(jī)視覺）。前年時，能夠?qū)崿F(xiàn)的只是類似二次元卡通人物的虛擬人，到去年已經(jīng)出現(xiàn)1:1擬人的數(shù)字人。”

數(shù)字人直播展示 圖片來源：每經(jīng)記者 朱成祥 攝

陳慶民也表示：“CG和渲染技術(shù)在實現(xiàn)數(shù)字人外觀和動作的逼真度上占據(jù)重要地位。在面部表情和身體語言處理上，現(xiàn)在的技術(shù)能更精細(xì)地捕捉和模擬真實人類的微表情和細(xì)微動作。”

上海交通大學(xué)博士生導(dǎo)師、深蘭科技創(chuàng)始人、董事長陳海波告訴記者：“目前數(shù)字人主要依賴于深度學(xué)習(xí)、計算機(jī)視覺、語音識別和自然語言處理等技術(shù)。其中，CG和渲染技術(shù)在數(shù)字人的創(chuàng)建中占據(jù)了重要的地位，尤其是在數(shù)字人的外觀和動作的生成中。在處理面部表情和身體語言方面，目前的技術(shù)已經(jīng)可以通過深度學(xué)習(xí)算法識別人類的面部表情和身體語言，并生成相應(yīng)的數(shù)字人表情和動作。”

市場空間：替代真人還是新增量

既然相關(guān)技術(shù)已在面部表情、身體語言處理、互動能力等多方面取得較大進(jìn)步，加上大模型降價，這一切會帶來數(shù)字人市場的爆發(fā)嗎？

一家人工智能公司的高管朱舜水（化名）5月20日也向《每日經(jīng)濟(jì)新聞》記者講述了他實際使用數(shù)字人的感受：“數(shù)字人技術(shù)的進(jìn)步，顯著提升了視頻制作的效率。以往在制作課程視頻時，每一期視頻都需要進(jìn)行單獨(dú)的修改和剪輯，既費(fèi)時又費(fèi)力。現(xiàn)在我們只需要花半天時間收集音視頻素材，再用約一天時間進(jìn)行渲染、訓(xùn)練，就能夠達(dá)到‘以假亂真’的效果。”

朱舜水補(bǔ)充說：“使用數(shù)字人，我們可以替代真人進(jìn)行各種操作，不僅實現(xiàn)了高度逼真的呈現(xiàn)效果，還大大簡化了修改過程。當(dāng)需要調(diào)整內(nèi)容時，只需對數(shù)字人進(jìn)行相應(yīng)的修改，操作（起來）非常方便。”

王微認(rèn)為，“過去電商行業(yè)存在主播成本高、流動性強(qiáng)的問題。很多時候，把主播培養(yǎng)出來卻留不住，主播自己單干了。平庸的主播留得住，但不為公司創(chuàng)造價值且成本也不低。比如在上海，幾乎沒有低于1萬元（月薪，下同）的主播。一個比較好的主播，可能需要1.5萬元以上，甚至2萬元以上再加提成，這對企業(yè)而言成本也蠻高的”。

在一線城市或是網(wǎng)紅經(jīng)濟(jì)比較發(fā)達(dá)的地區(qū)，可能數(shù)字人主播是對真人主播的替代。而在相對較為偏遠(yuǎn)的地方，招到合適的主播也并非易事。王微稱：“對于下沉市場，（數(shù)字人）解決的是公司找不到合適的團(tuán)隊去做直播這件事。”

此外，數(shù)字人直播還能解決傳統(tǒng)主播無法批量化復(fù)制的問題。王微稱：“（真人）主播可能播4—6個小時就很辛苦。但像數(shù)字人主播，你讓它播多久就可以講多久。比如你是某電器廠商，可以批量打造矩陣直播間，比如100個直播間只需要準(zhǔn)備100臺電腦。我們找來100個模特來克隆，克隆成數(shù)字人后，你就可以開100個直播間。”

此外，數(shù)字人還可以做外語的口播視頻。小豪表示：“比如一些跨境電商，他們需要去海外社交平臺引流，做外語口播視頻。目前都要求降本增效，主要是不用找外語專業(yè)的人出鏡，產(chǎn)量也提升很多。一般這類口播視頻，一天拍不了幾條，還需要找場地、拍攝人員、剪輯人員。數(shù)字人主要就是做真人嘴替，只要提供文案就能生成，一天100條都可以。”

挑戰(zhàn)：從“重技術(shù)”到“重運(yùn)營”

目前，淘氣叮當(dāng)提供的是介于2D與3D之間的2.5D。姚仕豪表示：“訊飛支持2D和3D虛擬人的構(gòu)建和驅(qū)動，我們將虛擬人分為5大類：2D真人、2D生成人、3D超寫實、3D美型和3D卡通，根據(jù)不同的應(yīng)用場景推薦不同的虛擬人類型。”

隨著技術(shù)的巨大進(jìn)步，數(shù)字人在“逼真程度”上已經(jīng)媲美真人。朱舜水也表示：“我們給很多人看過，不提醒都意識不到是數(shù)字人。”

但他也提到數(shù)字人技術(shù)門檻不高。朱舜水稱：“小公司都能做（數(shù)字人視頻），基本都是小單子。”

《每日經(jīng)濟(jì)新聞》記者觀察到，數(shù)字人直播行業(yè)也呈現(xiàn)出從“重技術(shù)”到“重運(yùn)營”的趨勢。

小豪表示：“數(shù)字人直播我們也做，主要是受平臺規(guī)則的限制。（但）技術(shù)上已經(jīng)能實現(xiàn)（數(shù)字人直播），數(shù)字人可以和觀眾互動，與真人同屏出現(xiàn)。另外有一些方式，可以規(guī)避在抖音直播間里被判定（為）違規(guī)，但平臺整體的方向目前是不支持的態(tài)度。”

數(shù)字人視頻門檻相對低，而數(shù)字人直播則相對復(fù)雜。小豪表示：“數(shù)字人直播，老板們是很重視ROI（投資回報率）的，我們（產(chǎn)品提供方）需要和他們（用戶）的直播團(tuán)隊深度交流，研究他們的話術(shù)，了解他們直播的上品流程和策略，是一個重運(yùn)營的活。”

王微表示：“去年之前，我們更多做的是技術(shù)端的服務(wù)。即你買我的產(chǎn)品，我把數(shù)字人交付給你。（在）這個過程中，我們發(fā)現(xiàn)有一些客戶沒有運(yùn)營團(tuán)隊，（數(shù)字人）拿回去很可能會被閑置。”

“對于那些不太會用的，也沒有運(yùn)營團(tuán)隊的，我們提供‘技術(shù)+運(yùn)營’的方式。你只需提供你的賬號，把你的樣品、產(chǎn)品賣點(diǎn)提供給我們，你就可以不用管了。我們來克隆數(shù)字主播，然后在我們基地直播。（客戶）也不用提供硬件。”王微說。

據(jù)悉，淘氣叮當(dāng)已經(jīng)在全國建設(shè)了7個數(shù)字人直播基地。

盡管平臺目前尚不支持，數(shù)字人直播依然轟轟烈烈地開展起來。對于數(shù)字人直播是否會沖擊傳統(tǒng)主播，陳慶民說：“數(shù)字人直播的興起確實對傳統(tǒng)主播的職業(yè)生涯產(chǎn)生了影響。數(shù)字人可以提供7×24小時的服務(wù)，降低人力成本，這可能導(dǎo)致傳統(tǒng)主播面臨更大的競爭壓力。但同時，數(shù)字人的出現(xiàn)也可能催生新的職業(yè)機(jī)會，如數(shù)字人的設(shè)計與開發(fā)、運(yùn)營管理等。”

陳海波表示：“數(shù)字人直播的興起對傳統(tǒng)主播的職業(yè)生涯產(chǎn)生了一定的影響。例如，數(shù)字人可以24小時不間斷地直播，而且可以同時應(yīng)對大量的用戶。此外，數(shù)字人還可以通過算法優(yōu)化直播內(nèi)容，提升直播效果。這使得數(shù)字人在某些方面具有優(yōu)勢，例如在直播時長和應(yīng)對大量用戶方面。然而，傳統(tǒng)主播在表達(dá)情感、互動和個性化方面仍然具有優(yōu)勢，因此數(shù)字人和傳統(tǒng)主播可以相互補(bǔ)充，共同發(fā)展。”

此外，陳慶民也指出了數(shù)字人的技術(shù)局限性。其表示：“盡管技術(shù)取得了進(jìn)步，但數(shù)字人在模仿人類行為和表情方面仍有局限性，如情感表達(dá)的深度、復(fù)雜情感的細(xì)微差別等。目前技術(shù)成熟度在特定場景下已較為可靠，但應(yīng)對更復(fù)雜多變的人類行為和情感表達(dá)仍需進(jìn)一步發(fā)展。”

陳海波說：“目前數(shù)字人在模仿人類行為和表情方面還存在一些局限性。例如，數(shù)字人的表情和動作可能不如人類自然，或者無法完全準(zhǔn)確地表達(dá)人類的情感。此外，數(shù)字人的語音和語調(diào)也可能不如人類自然。雖然技術(shù)已經(jīng)取得了很大的進(jìn)步，但在各種復(fù)雜場景下，數(shù)字人的表現(xiàn)可能仍然不如人類。”

封面圖片來源：每日經(jīng)濟(jì)新聞