《日常生活中的自我呈現》一書中，歐文?戈夫曼將戲劇表演引入社會學。他提出，人們在日常互動里，會依照預設的“劇本”（即社會規范），借助行為管理進行表演，在他人心中留下良好印象。

按照這個理論，數字人直播總被吐槽，原因就是數字人的演技太差，無法呈現出真人主播一樣的觀感，表情僵硬、手勢不自然，無法給大眾留下好印象。

就在最近，數字人主播界突然出現了一位演技實力派——羅永浩。羅永浩數字人在百度電商的首場直播，以長達連續近7小時的高強度直播，實時解答彈幕問題，動輒輸出“羅式段子”，還與助播朱蕭木互相拋梗接梗，刷新了大眾心中數字人的觀感。

甚至有人問老羅，“是不是你在扮演數字人”，簡直倒反天罡。

難辨真假、技驚四座的羅永浩數字人，到底是怎么實現的？6月17日的百度AI開放日慧播星專場現場，百度集團副總裁吳甜，揭秘了羅永浩數字人背后的技術秘密。最關鍵的就是，基于文心大模型4.5T的“劇本”生成與多模協同。

618硝煙正燃，而一場以AI大模型為核心驅動的電商效率革命，正拉開序幕。

大家有沒有這樣的經歷：

評論區的彈幕太多，留言總是得不到主播的回復；

想看直播，但真人主播已經下班了，錯過了專屬紅包和優惠；

自己直播帶貨，但一面對鏡頭就緊張，直播效果不盡如人意；

等頭部主播來助農直播，還得看對方的差旅安排和時間調配……

數字人被視為解決人力局限、實現全天候直播的理想方案。然而，以往的數字人一直無法惟妙惟肖地飾演真人主播，槽點主要集中在幾個方面：

演得不像。數字人的表情、手勢與肢體細節與文案對不上，產生“恐怖谷”效應，讓觀眾感到詭異。

缺少互動。傳統數字人面對超出預設范圍的問題，無法像真人主播那樣靈活應對，只能唱“獨角戲”，讓觀眾喪失了參與直播的積極性與體驗感。

時長不夠。很多數字人只能將短視頻循環播放，難以支撐長時間且一致的內容生成與交互需求，低質量內容不僅影響用戶體驗，還可能被平臺限流甚至處罰。

行為不可控。數字人一旦出現失誤，不僅會損害品牌形象，還可能引發輿論危機，這也是許多頭部主播和品牌對數字人直播持謹慎態度的重要原因。

數字人扮演真人主播，需要跨越重重技術挑戰。那百度電商直播間的羅永浩，又憑啥成為直播“實力派”？

6月15日羅永浩數字人在百度電商，完成了數字人主播的極限挑戰，做到了不少業內首個。

業內首個超級頭部主播數字人直播。羅永浩的粉絲特別多，對真人主播的風格十分熟悉，需要數字人有極高的還原度。數字人羅永浩在直播間妙語連珠，與觀眾高頻互動，舉手投足間散發著熟悉的羅氏魅力。

業內首個超六小時超頭部主播數字人直播，突破了AI視頻生成極限時間，生成的產品講解內容就多達9.7萬字。

業內首個多數字人直播，雙人配合，告別了一個數字人尬聊的局面。羅永浩和朱蕭木的搭檔，高度還原了真實主播與助播的直播狀態。兩個數字人主播能做出喝奶茶、拎可樂等細節動作，還實現了與直播間用戶彈幕的實時互動。

這一系列操作下來，刷新了不少人對數字人的固有印象。而羅永浩數字人的誕生，只用了幾個月的時間，究竟是如何習得媲美真人的“直播神技”？我們扒開了數字人背后的一整個大模型“導師團”。

一場精彩的數字人直播，絕非單一技能的炫技。想象一下，如果數字人語言表達生動流暢，卻搭配著僵硬機械的表情和動作，或是語音語調平淡乏味，如同 “讀稿機器”。這正是傳統數字人技術的痛點：語言依賴臺詞模型，語音靠TTS 合成，表情肢體等視覺表現由視頻合成，各模態模型“各自為政”。數字人的臺詞、表情、動作完全不在一個節奏上，觀眾瞬間就會“出戲”。

作為業內首個多模高度融合數字人，羅永浩數字人的出色表現，正是得益于百度多模協同的數字人技術。

按照歐文?戈夫曼的理論，“劇本”是戲劇表演的核心，演員需依劇本塑造符合期待的形象。數字人領域，“劇本”同樣是關鍵所在。

擁有一個高質量的劇本，就如同數字人有了總指揮，讓語言、語音、視覺等不同模態圍繞劇本，彼此協同配合，才能讓數字人在直播中展現出渾然天成的表現力。

以數字人羅永浩為例，背后就有一個文心大模型的“導師團”進行助力：

首先，是基于大語言模型的劇本生成。

生成劇本的文心大模型，相當于總導演兼總編劇，通過臺詞，為數字人賦予生動鮮活的“靈魂”。拿羅永浩數字人來說，文心大模型4.5T需要攻克以下關鍵難題。其一，風格定制。羅永浩犀利幽默、朱蕭木風趣灑脫，每位主播都有獨特的語言風格，文心大模型通過風格建模，深度學習主播們的語言習慣、表達方式，從遣詞造句到語氣節奏，全方位貼合主播個人風格進行定制，在模型生成的臺詞中精準復現，讓數字人開口自帶主播“味道”。

除了語言風格，人設一致也是數字人獲得觀眾認可的關鍵。特別是在多角色配合時，羅永浩作為主咖，朱蕭木作為助播，文心大模型在生成劇本時，精準把握二人特點與分工，使臺詞在語言上自然附和、緊密配合。比如在產品推薦環節，主播重點介紹核心賣點，助播適時補充細節、引導互動，一問一答、一唱一和，展現出符合人設的行為與語言邏輯。

在文心大模型 4.5T的精心雕琢下，生成了既有真人溫度，高度還原主播個人特色，又有網感，能將商品賣點生動展現的直播劇本。

接下來，就是“劇本圍讀”，讓多模態系統基于劇本，進行信息對齊。

語音大模型作為口語導師，視覺大模型作為動作導師，先根據大語言模型生成的語音標簽和視覺標簽，然后生成協調一致的語音和表情動作，賦予數字人影帝、影后般的表現力。

這個過程的難點，是多個模型的對齊。想象一下，如果語音模型理解的臺詞情感激昂，而視覺模型呈現的卻是平淡表情，數字人就會“表里不一”，讓觀眾倍感違和。百度AI數字人，以大模型生成的劇本為統一標尺，確保從臺詞到語音、從表情到動作，各環節的理解與執行步調一致。

比如羅永浩與助播數字人之間，會出現頻繁的打斷說、同時說，需要語音合成系統精準捕捉對話節奏。百度通過加入對話上下文解碼器，整合歷史對話與當前信息，讓數字人在互動時的語音銜接自然流暢，重現真人搭檔的默契感。

同時還建立了反向對齊的反饋機制，也就是語音模型合成后，會基于自身對文本的細粒度判斷進行優化，再將這些信息反饋給視覺模型，實現音畫間的精準匹配，形成一個閉環的協同體系。

通過多模系統的“劇本圍讀”，可以在劇本指引下，完成聲臺行表的默契配合，讓數字人在直播鏡頭前展現出媲美真人的表現力，為觀眾帶來沉浸式的觀看體驗。

六七個小時的直播，數字人只能對著劇本“照本宣科”嗎？為什么數字人羅永浩還能在直播間跟用戶實時互動呢？這就要提到第三個關鍵能力：臨場發揮的靈活性與可控性。

據吳甜介紹，數字人直播就像拍電影，演員的表演并不是照本宣科，要有對劇本的理解和臨場發揮。

其中，劇本作為核心，確保數字人行為邏輯的一致性，而文心大模型則賦予其應對復雜場景的“應變力”和長時間的可控性。

在時長如馬拉松式的直播中，現實場景的復雜性遠超想象。用戶突如其來的刁鉆提問，直播間場景內人物、商品、環境的自由交互，都暗藏著不可控因素。讓數字人在復雜交互場景中也能游刃有余，文心大模型是這場技術突圍的“智慧中樞”。

一方面，依托大模型的語言理解與生成能力，結合直播場景的高頻需求進行針對性訓練，賦予數字人實時理解用戶意圖的“洞察力”。在羅永浩數字人直播中，AI知識庫1.3萬次的調用，9.7萬字的內容生成，正是文心大模型強大創造能力的直觀體現。

另一方面，依托文心大模型4.5T的深度思考能力，在劇本生成時先進行規劃和思考，搜索最優路徑，再通過評價和評估，提升最終的可控性。

當數字人在直播間自如切換講解模式、巧妙化解突發提問，與用戶深度互動，背后正是多文心大模型在持續穩定地發揮作用，為數字人直播行業開辟出長時、靈活、可控、優質的全新賽道。

總結一下，羅永浩數字人直播的成功，離不開百度大模型技術體系的托舉，也是百度大模型技術實力的具象化呈現。

歐文?戈夫曼的“擬劇理論”成為社會學經典，在于其揭露了社會協作的基礎——每個人依據劇本扮演良好形象，教師扮演好傳道授業的角色，醫生恪守救死扶傷的職責，整個社會才能有序運轉。

當直播行業走過野蠻生長的黃金期，流量紅利消退，主播需要扮演什么樣的角色呢？或許是專業導購，能夠對產品細節和專業知識娓娓道來；是貼心客服，及時響應用戶的每一個疑問；是知心朋友，在用戶需要的時候提供全天候陪伴……這樣才能與觀眾建立信任紐帶，走向高質量發展。

專業且敬業的真人主播，培養不易，開播成本也是中小商家所無力負擔的。這時候，AI數字人的技術革命，成為打破直播效率困局的關鍵。

在大廠紛紛布局數字人，競爭白熱化的背景下，百度依然憑借AI技術優勢，構建起數字人的差異化能力：

一是先進。百度數字人直播的技術能力如劇本生成、多模驅動、一致性和高擬真性等，是業界天花板。對數字人技術要求苛刻的超級頭部主播來說，選擇百度數字人放大IP價值，用自身的專業能力24小時服務用戶。

二是專精。當部分企業投入海量資源研發通用型視頻生成技術時，百度深耕數字人直播場景，推出的慧播星數字人系統已服務超10萬商家，覆蓋32個垂直行業。對中小商家來說，通過百度數字人可以輕松開播，品嘗到AI技術帶來的增長紅利。

三是性價比。借助百度AI技術，品牌商家可獲得“人貨場”的全面助力，除了數字人，還可以利用AI技術對商品進行深度分析和理解，實現商品的智能管理和精準營銷。提升收益的同時，百度數字人的綜合成本比真人主播要低，而且隨著開播的場次越多，它的邊際收益越高，未來數字人的生產制作成本還會進一步的下降。

這場從流量爭奪到技術深耕的變革，正在重新定義直播行業的未來。當數字人頂流登上直播舞臺，百度AI驅動的直播下半場，也是智能電商的新篇章。

審核編輯 黃宇