距離成爲有情感的數字人主播，AI劉強東還要邁過這些坎

用數字人做直播常常會提及“120秒戰鬥”的說法，指的是如果120秒內，用戶不覺得這是一個讓他感到彆扭的數字人，就會跨過“恐怖谷”效應（當人類看到類似人類的物體，特別是機器人時所表現出的積極和消極反應）。

在京東內部看來，AI劉強東做到了這一點。

自近日劉強東變身AI數字人坐鎮京東採銷直播間後，市場上對數字人直播的討論也再度熱了起來，核心聚焦在直播數字人如何能做到更像真人，有哪些更實際的應用場景和商業化方向等。

目前行業將直播數字人劃分爲三級。第一級數字人主要扮演輔助角色，填補真人主播忙碌或休息時的直播空缺，力爭像真人。此類數字人將商品詳情轉化爲視頻內容參與直播，與真人主播形成互補，可利用閒時提升轉化率。

第二級數字人可媲美真人，能在重要時刻獨立承擔直播任務。

第三級數字人更像一個真正的數字分身，而非替代關係，能深入理解並展現個體的思想、文化等深層特質，實現深度交流。

“京東雲言犀數字人已經達到第二檔，通過圖靈測試，並可在短時間內代替真人直播。”京東雲言犀負責人對界面新聞表示。

該負責人認爲，雖然AI劉強東在形象、聲音、動作等方面已儘可能接近本人，但要完全替代尚有難度，特別是宿遷話口音也增加了一些挑戰。

從第一級到第二級的過渡，與背後的技術路線選擇密切相關。

早在2020年，京東雲言犀便開始了數字人相關的嘗試，彼時業界普遍遵循分步構建的方式：先建模型，調整動作驅動，添加語音，適配實際動作，最後渲染。

儘管這種方法邏輯清晰，但成本高昂，也無法滿足實時性要求，實際效果有限，因爲每走錯一步，下一步都無法修補。於是團隊開始思考轉向基於大模型的“端到端”直接渲染技術，即一次性輸出渲染完成的視頻。該技術理論上能實現更高的效果上限。

這種“端到端”的技術路線有兩種應用方法，根據具體場景靈活運用：一是完全跳過中間態建模，無需3D Mesh（即三維網格，計算機圖形學中的一個核心概念）；二是僅通過一張照片就能構建出人臉的3D Mesh模型，實現表情、脣形的精細控制和紋理渲染。

目前京東雲言犀數字人已經能做到大姿態（包括頭部、軀體、手部動作）和實時交互，下一步計劃實現更爲複雜的實時對話交互。而實時的難度非常大，即使是Sora，生成五分鐘的視頻，也要在英偉達H100芯片上推理一個小時纔可以做到。

談及與Sora的對比，該負責人指出，兩者雖思路相似，但在應用場景上存在顯著差異。Sora屬於通用的視頻應用生成，京東雲言犀數字人則偏重人物視頻生成，並看好後者在商業價值和社會影響力上的潛力。

二者的差別還在於，Sora目前的視頻生成暫不支持有聲，而數字人則要求極強的音視頻同步，並投入情緒，這是一大挑戰。

“目前來看，數字人直播帶貨有很大機會成爲一個大爆點，主要因爲它在內容層次達到了一個新的水準，大家的接受度和信任度已經過了關鍵點。”該負責人對界面新聞表示。

除數字人之外，京東還將AI技術用於一系列客服與導購功能，如自動外呼、智能導購、一體化後臺諮詢服務等，現今重點關注數字人、深度對話導購、文生圖及圖片生成。

京東雲言犀算法總監稱，在執行層面，團隊已在語音合成（TTS）技術上實現了零樣本應用，無需對模型進行專門訓練，即可直接合成特定音色和說話風格。

除了進一步提升數字人在直播間、短視頻中的表現力，京東內部希望能以更低成本、更低門檻推進數字人，儘量少讓真人拍攝錄製。“但從具體技術上說，肯定是大冒險。”京東雲言犀算法總監稱。

商業模式方面，直播、短視頻、客服、線下交互大屏等，都是數字人的應用場景，可選SaaS（一種基於互聯網提供軟件應用程序的模式）或KA（重點客戶）定製。前者又分多種模式，比如按流量或是按標準產品，亦或是產品+服務，後者對效果和各方面要求會更高。此外還有按產品實際銷售數量計算廣告費用的CPS抽傭模式。

在數字人使用形式上，主要分兩種：雲端使用和用戶本地部署。團隊介紹，言犀客戶採用前者居多，相較預先做好的demo，言犀數字人直播是通過訓練生成式網絡模型實時生成，可支持上千個直播間在雲端同時播，開播成本據稱降低30%。

“直播業態某種意義上是以個人爲背景的一種表演和交互，而且能實時互動。”京東雲言犀負責人稱。

如果能完美實現實時互動，當然是理想狀態，但目前市場對於數字人最大的詬病之一就是缺少情感。有人好奇未來是否有可能誕生一個類似董宇輝的超級數字人主播？

在京東雲言犀負責人看來，技術上完全有可能，但倫理和感情上不一定能成立，“大家喜歡董宇輝，肯定是因爲這個人作爲一個實在人的特質，但不知道未來會如何解決倫理問題，預測未來是件很難的事。”