每經(jīng)記者 朱成祥    每經(jīng)編輯 張海妮    

在通義千問(wèn)宣布大模型降價(jià)后，百度也隨即宣布旗下兩款大模型免費(fèi)。5月22日，科大訊飛也宣布訊飛星火Lite API永久免費(fèi)開放。

新華社圖

當(dāng)下，數(shù)字人（本文為方便敘述，虛擬人亦表述為數(shù)字人）的互動(dòng)能力正是依賴于大模型。大模型紛紛降價(jià)，對(duì)互動(dòng)數(shù)字人是否是個(gè)機(jī)會(huì)？5月21日，飛影數(shù)字人戰(zhàn)略顧問(wèn)小豪對(duì)《每日經(jīng)濟(jì)新聞》記者表示：“數(shù)字人和大模型是兩個(gè)領(lǐng)域。大模型價(jià)格下跌，對(duì)我們正在做的新產(chǎn)品（互動(dòng)數(shù)字人）是利好。我們結(jié)合大模型之后，數(shù)字人可升級(jí)進(jìn)化成數(shù)智人。”

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

技術(shù)迭代：大模型提供了更好的交互性

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(lái)生成數(shù)字人視頻。接入大模型之后，這個(gè)數(shù)字人就可以實(shí)時(shí)互動(dòng)。比如數(shù)字人直播，可以根據(jù)觀眾的提問(wèn)來(lái)實(shí)時(shí)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(jià)之后，對(duì)數(shù)字人行業(yè)有何影響？

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

頭豹研究院行業(yè)分析師陳慶民也對(duì)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(yǔ)言處理和語(yǔ)音識(shí)別技術(shù)，數(shù)字人可以更自然地理解和回應(yīng)人類語(yǔ)言，從而提升用戶體驗(yàn)。”

不過(guò)，在姚仕豪看來(lái)，相比降價(jià)，數(shù)字人的效果更重要。根據(jù)訊飛智作公眾號(hào)文章，數(shù)字人本質(zhì)是對(duì)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(shí)現(xiàn)依賴一系列先進(jìn)技術(shù)的融合，如圖像識(shí)別、3D建模、動(dòng)作捕捉、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)等。

也就是說(shuō)，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(lái)到淘氣叮當(dāng)總部。工作人員向記者展示了數(shù)字人動(dòng)作捕捉的場(chǎng)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(shuō)：“你看到的這個(gè)場(chǎng)景叫做多模態(tài)建模。她（正在被建模的真人主播）現(xiàn)在說(shuō)的話、行為動(dòng)作都會(huì)被我們?cè)诤笈_(tái)打上標(biāo)簽，通過(guò)文字帶動(dòng)標(biāo)簽形成一系列動(dòng)作，還原成你看到的現(xiàn)場(chǎng)。錄制需要一個(gè)小時(shí)以上，因?yàn)榈糜凶銐蚨嗟膭?dòng)作和語(yǔ)言。如果用5分鐘、10分鐘的素材來(lái)做建模，出來(lái)的效果并不符合品牌方的要求。”

公司總經(jīng)理王微接受《每日經(jīng)濟(jì)新聞》記者采訪時(shí)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(dòng)作捕捉、CG（計(jì)算機(jī)圖形）、CV（計(jì)算機(jī)視覺(jué)）。前年時(shí)，能夠?qū)崿F(xiàn)的只是類似二次元卡通人物的數(shù)字人，到去年已經(jīng)出現(xiàn)1:1擬人的數(shù)字人。”

陳慶民也表示：“CG和渲染技術(shù)在實(shí)現(xiàn)數(shù)字人外觀和動(dòng)作的逼真度上發(fā)揮重要作用。在面部表情和身體語(yǔ)言處理上，現(xiàn)在的技術(shù)能更精細(xì)地捕捉和模擬真實(shí)人類的微表情和細(xì)微動(dòng)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(zhǎng)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(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和自然語(yǔ)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(dòng)作的生成中。在處理面部表情和身體語(yǔ)言方面，目前的技術(shù)已經(jīng)可以通過(guò)深度學(xué)習(xí)算法識(shí)別人類的面部表情和身體語(yǔ)言，并生成相應(yīng)的數(shù)字人表情和動(dòng)作。”

競(jìng)爭(zhēng)優(yōu)勢(shì)：解決傳統(tǒng)主播無(wú)法批量化復(fù)制的問(wèn)題

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

某人工智能公司高管朱舜水（化名）5月20日向《每日經(jīng)濟(jì)新聞》記者講述了他實(shí)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(shí)，每一期視頻都需要進(jìn)行單獨(dú)的修改和剪輯，既費(fèi)時(shí)又費(fèi)力?，F(xiàn)在我們只需要花半天時(shí)間收集音視頻素材，再用約一天時(shí)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(shuō)：“使用數(shù)字人，我們可以替代真人進(jìn)行各種操作，不僅實(shí)現(xiàn)了高度逼真的呈現(xiàn)效果，還大大簡(jiǎn)化了修改過(guò)程。當(dāng)需要調(diào)整內(nèi)容時(shí)，只需對(duì)數(shù)字人進(jìn)行相應(yīng)的修改，操作（起來(lái)）非常方便。”

王微認(rèn)為，過(guò)去電商行業(yè)存在主播成本高、流動(dòng)性強(qiáng)的問(wèn)題。很多時(shí)候，把主播培養(yǎng)出來(lái)卻留不住，主播自己?jiǎn)胃闪恕Ｆ接沟闹鞑チ舻米?，但不為公司?chuàng)造價(jià)值且成本也不低。比如在上海，幾乎沒(méi)有低于1萬(wàn)元（月薪，下同）的主播。一個(gè)比較好的主播，可能需要1.5萬(wàn)元以上，甚至2萬(wàn)元以上再加提成，這對(duì)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(duì)真人主播的替代。而在相對(duì)較為偏遠(yuǎn)的地方，招到合適的主播并非易事。王微稱：“對(duì)于下沉市場(chǎng)，（數(shù)字人）解決的是公司找不到合適的團(tuán)隊(duì)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(wú)法批量化復(fù)制的問(wèn)題。王微稱：“（真人）主播可能播4到6個(gè)小時(shí)就很辛苦。但像數(shù)字人主播，你讓它播多久就可以播多久。比如你是某電器廠商，可以批量打造矩陣直播間，100個(gè)直播間只需要準(zhǔn)備100臺(tái)電腦。我們找來(lái)100個(gè)模特來(lái)克隆，克隆成數(shù)字人后，你就可以開100個(gè)直播間。”

此外，數(shù)字人還可以做外語(yǔ)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(tái)引流，做外語(yǔ)口播視頻。目前都要求降本增效，主要是不用找外語(yǔ)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(chǎng)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。”

行業(yè)生態(tài)：數(shù)字人直播從“重技術(shù)”到“重運(yùn)營(yíng)”

目前，淘氣叮當(dāng)提供的是介于2D與3D之間的2.5D（數(shù)字人）。

姚仕豪表示：“訊飛支持2D和3D數(shù)字人的構(gòu)建和驅(qū)動(dòng)，我們將數(shù)字人分為5大類：2D真人、2D生成人、3D超寫實(shí)、3D美型和3D卡通，根據(jù)不同的應(yīng)用場(chǎng)景推薦不同的數(shù)字人類型。”

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(guò)，不提醒都意識(shí)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(yíng)”的趨勢(shì)。

小豪表示：“數(shù)字人直播我們也做，主要是受平臺(tái)規(guī)則的限制。（但）技術(shù)上已經(jīng)能實(shí)現(xiàn)（數(shù)字人直播），數(shù)字人可以和觀眾互動(dòng)，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(tái)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(duì)低，而數(shù)字人直播則相對(duì)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(bào)率）的，我們（產(chǎn)品提供方）需要和他們（用戶）的直播團(tuán)隊(duì)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(gè)重運(yùn)營(yíng)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(gè)過(guò)程中，我們發(fā)現(xiàn)有一些客戶沒(méi)有運(yùn)營(yíng)團(tuán)隊(duì)，（數(shù)字人）拿回去很可能會(huì)被閑置。”

“對(duì)于那些不太會(huì)用的，也沒(méi)有運(yùn)營(yíng)團(tuán)隊(duì)的，我們提供‘技術(shù)+運(yùn)營(yíng)’的方式。你只需提供你的賬號(hào)，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(lái)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(shuō)。

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

盡管平臺(tái)目前尚不支持，數(shù)字人直播依然轟轟烈烈地開展起來(lái)。

對(duì)于數(shù)字人直播是否會(huì)沖擊傳統(tǒng)主播，陳慶民說(shuō)：“數(shù)字人直播的興起確實(shí)對(duì)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(shí)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(jìng)爭(zhēng)壓力。但同時(shí)，數(shù)字人的出現(xiàn)也可能催生新的職業(yè)機(jī)會(huì)，如數(shù)字人的設(shè)計(jì)與開發(fā)、運(yùn)營(yíng)管理等。”

陳海波表示：“數(shù)字人直播的興起對(duì)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(shí)不間斷地直播，而且可以同時(shí)應(yīng)對(duì)大量的用戶。此外，數(shù)字人還可以通過(guò)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(shì)，例如在直播時(shí)長(zhǎng)和應(yīng)對(duì)大量用戶方面。然而，傳統(tǒng)主播在表達(dá)情感、互動(dòng)和個(gè)性化方面仍然具有優(yōu)勢(shì)，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(chǎng)景下已較為可靠，但應(yīng)對(duì)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(shuō)：“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(dòng)作可能不如人類自然，或者無(wú)法完全準(zhǔn)確地表達(dá)人類的情感。此外，數(shù)字人的語(yǔ)音和語(yǔ)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(chǎng)景下，數(shù)字人的表現(xiàn)可能仍然不如人類。”

封面圖片來(lái)源：新華社圖