科技日報記者 都芃

6月17日，在百度AI Day開放日上，百度官宣發(fā)布業(yè)界首個超級頭部主播羅永浩數(shù)字人，并發(fā)布了高說服力數(shù)字人在體驗、內容、視覺、效果的四大突破。

百度副總裁、電商總經(jīng)理平曉黎表示，今年4月百度發(fā)布的高說服力數(shù)字人讓數(shù)字人進入3.0時代。新一代高說服力數(shù)字人已成為像真人一樣，形神音容高度協(xié)調、會思考決策、能協(xié)作完成特定任務的超級智能體。百度此次發(fā)布的羅永浩數(shù)字人已達到媲美超級頭部主播的體感效果。此前，羅永浩數(shù)字人直播首秀創(chuàng)下超1300萬人次觀看、GMV（商品交易總額）突破5500萬元的行業(yè)新紀錄，部分核心品類帶貨量反超真人直播。

百度集團副總裁吳甜系統(tǒng)性地介紹了多模協(xié)同數(shù)字人技術。該技術基于文心大模型4.5 Turbo實現(xiàn)了融合多模規(guī)劃與深度思考的劇本生成，由劇本驅動數(shù)字人多模協(xié)同，實現(xiàn)動態(tài)決策的實時交互，使數(shù)字人的“神、形、音、容、話”達到高度統(tǒng)一。最終呈現(xiàn)出一個具備高表現(xiàn)力、內容吸引人、人-物-場可自由交互的超擬真數(shù)字人。

劇本生成技術包含臺詞生成、多模驅動和動態(tài)交互三部分。以羅永浩數(shù)字人劇本為例，基于文心大模型4.5 Turbo生成的劇本，充分展現(xiàn)了主播的個人特色，具備典型的“羅氏幽默”風格，并能夠實現(xiàn)雙人主播的內容協(xié)同，實現(xiàn)豐富的動態(tài)實時互動。通過文本自控的語音合成大模型，數(shù)字人可以實現(xiàn)高復原的語音合成能力，再結合直播臺詞及發(fā)音特征，合成風格恰當、自然流暢的聲音。

為解決羅永浩數(shù)字人直播雙人聲音配合難點，百度采用對話上下文編碼器，將對話歷史和當前對話進行語音合成的統(tǒng)一推理計算，最終實現(xiàn)流暢自然的雙人對話效果。在數(shù)字人形象生成以及驅動方面，通過結合多模態(tài)視頻理解、跨模態(tài)信號生成、視頻生成等技術，數(shù)字人克服了高可控交互，高精度、長時間一致性保持等難點，實現(xiàn)了高一致性超擬真長視頻生成。

吳甜表示，百度在今年4月發(fā)布了最新的大模型文心4.5 Turbo和文心X1 Turbo，羅永浩數(shù)字人是基于文心大模型的最佳實踐。百度在大模型技術的持續(xù)探索和創(chuàng)新，將為用戶帶來更優(yōu)質的體驗、為行業(yè)帶來更具創(chuàng)新力的業(yè)務模式。

此外，百度電商還推出兩大計劃。夢蝶計劃將通過流量扶持，超頭主播數(shù)字人打造、預算扶持，實現(xiàn)百度優(yōu)選超頭主播的數(shù)量倍增；繁星計劃則將再次追加10萬個慧播星數(shù)字人，投入1億元數(shù)字人消費補貼、千萬級別的運營扶持，幫助更多的普通人、中小企業(yè)開啟數(shù)字人直播。

（百度供圖）