成本下降74%、效率提升785%，WAIC上的数字人让我看到了视频播客的新可能

作者 | Kino

编辑 | 赖捷

又是一年WAIC。

展馆里依旧人山人海，宛如一场大型“科技庙会”。各大展台都在秀肌肉，尤其是人形机器人、AI眼镜等展台，里三层外三层，排队体验的观众络绎不绝。

不过，我却被百度展台的一段数字人视频播客给硬控住了。一位量化分析师正和一位科技博主围绕“扔掉旧地图，AI见FUTURE”对谈。

两个数字人无论是说话时细微的表情变化，还是配合内容做出的肢体动作，以及两人之间的互动节奏，都比我印象中的数字人自然了不少。

过去几年，数字人赛道看起来一直很热，拥有不少应用场景：直播带货、短视频、企业宣传……很多人都期待，它能够代替真人出镜、提高内容生产效率。

但现实却有些尴尬，很多数字人一眼假。不过近两年，技术的进步让这种尴尬逐渐减少。

还记得之前刷屏的罗永浩数字人直播首秀吗？去年618期间，罗永浩数字人在直播间里喝奶茶、展示产品、跟助播（朱萧木数字人）互动。

两个数字人配合自然，在直播间里互相调侃、异口同声说话，并频频爆梗，刷新了行业对数字人表现力的认知。最终，这场长达6小时的直播吸引了1300万人围观，创造了5500万元的GMV。

今年世界杯期间，又有了“范志毅实时互动数字人”，作为世界杯的“AI看球搭子”。

AI范志毅的声音和形象高度拟真，精准复刻了范志毅的上海口音、方言俚语（比如“侬晓得伐”），挑眉、喝可乐等微表情和动作丰富。而且能实时解答世界杯赛事的战术分析、赛事复盘等专业足球问题，结合赛事热点进行即兴互动和幽默调侃。

而站在WAIC展区时，我更加觉得，数字人的商业价值到了被重估的节点。

我刚看到的数字人对谈场景，其实是百度一镜全新首发的“数字人视频播客解决方案”。

简单来说，百度一镜是百度旗下的一个全场景数字人平台，它的前身是“慧播星”电商直播工具，今年5月进行了战略升级。

这次推出的视频播客解决方案，把数字人和Agent能力进一步融合，试图打通脚本策划到成片的整个流程。如果这一方案能够成熟落地，视频播客等内容的生产方式，或许会朝着更加标准化、规模化的方向发展。

那么百度一镜的数字人到底有什么不同呢？

传统数字人 VS 微表情数字人，

差距不在“皮囊”在“演技”

目前，很多数字人产品都在追求越来越逼真的外观，但真正影响观感体验的，其实是表达和演绎能力。

传统数字人很多依然停留在照着脚本播报的阶段，面对需要互动或表达复杂情绪的场景时，总会让人觉得少了点“人味”。其中一个很重要的原因就是，数字人缺乏微表情，或是表情切换生硬，缺乏真人流畅自然的微妙变化。

要知道，真人在交流时，会有大量不易察觉的微表情，比如蹙眉、眼神的闪躲等，这些是情感交流的关键。传统数字人技术很难模拟出这些细节，导致数字人看起来缺乏“活人感”，甚至会产生恐怖谷效应。

那么，和传统数字人相比，百度的微表情数字人有什么不同？数字人视频播客的应用潜力又有多大？

来看一段百度一镜生成的数字人视频播客片段：

首先是播客布景、陈设的质感非常真实，完全是专业录制棚既视感。

从视频中可以观察到，男嘉宾林深在表达时，眼神和眉毛会随着语气的抑扬顿挫流转和挑动，手势动作也和发言内容十分契合。

更让人惊艳的是双人对谈的互动感。当男嘉宾侃侃而谈时，左侧的播客主持人始终保持着专注的倾听神态，眼神注视着对方，并伴随着自然、合乎逻辑的点头和心领神会的微笑。

再来看这条长达5分钟的数字人视频播客，林深和财经女主播晓雯对谈“马斯克为什么AI输了，估值却赢麻了？”

这次对谈的内容更深度，脚本更完整和精巧。开篇林深就通过制造悬念、打破大众固有认知来吸引注意力：为什么亏损49个亿的SpaceX却能创下人类史上最大的IPO？其实无论是火箭、星链，还是xAI，都无法解释它的估值神话。

然后把SpaceX比作“下一个英伟达”，只不过是在天上——估值高的真正原因是将航天与AI结合的“太空算力基建”故事。这种类比通俗易懂，大大降低了前沿科技商业模式的理解门槛。

两个数字人角色定位清晰，分工明确。林深负责输出专业洞察和数据论证，晓雯负责抛砖引玉，当观众嘴替和林深的捧哏。

比如她会代表观众提出质疑，并适时总结提炼，以及提供情绪价值（“闭环了”、“丢死人了”、“妈呀太牛了”）。

两人一来一回，一唱一和，互动感很强，让原本枯燥的财务和战略分析，变得如同大公司轶闻一般生动有趣。对话中还使用了大量生活化的口语和互联网梗，比如“鸟都不鸟”、“硬刚”、“吊打”、“吃老本”、“你太损了”、“跟老罗一样”。

无论是内容价值还是视听体验，上面这两个案例都代表了数字人在视频播客中表现的较高水准。

现在我们将视线从台前转向幕后，来看看究竟是哪些关键技术的迭代，赋予了数字人这种级别的“真人感”。

百度一镜的技术突破在于，它不再依赖于单一的“开心”或“悲伤”等简单情绪标签，来生成数字⼈的微表情。而是以文心大模型为大脑，像导演一样，根据人物设定、剧情场景和对话内容，提前规划好一整套表情表现。

它不仅会考虑人物当下的情绪、表情、动作和声音等细节，也会结合角色的人设和所处场景，让最终呈现更加符合人物状态。

在更细的层面，系统还能做到把人的面部表情拆解成大量可单独控制的微小动作，对眼神、眉毛、嘴角、面部肌肉等进行精细化控制，因此生成的微表情会更加自然、真实。

当然，文心大模型完成表情规划后，还需要由数字人专精模型把这些规划真正呈现出来。

这一步考验的就是执行能力和速度了，包括：能否把复杂的微表情精准还原？能否在极短时间内完成不同表情之间的自然切换？又能同时表现出多少细节？

目前，百度数字人专精模型支持文本、图片、语音等多模态输入作为参考，可以协同控制数百个微表情单元，并把表情变化的时间控制到1秒以内，让数字人的情绪表达更加实时、自然、流畅。

成本下降74%、效率提升785%， 数字人视频播客有“钱景”吗？

这两年，视频播客正在成为越来越多创作者和品牌尝试的新内容形式。

相比图文和短视频，它能够承载更多信息，也更容易建立创作者的人设，因此不少知识博主、财经账号、品牌机构等都开始布局视频播客。但与此同时，它也是目前内容生产门槛较高的形式之一。

要做一期高质量的视频播客，从前期定位、内容策划，到录制执行、后期剪辑和包装，每一个环节都需要投入大量时间和人力。

正式录制之前，创作者往往需要提前规划选题，梳理完整的大纲甚至逐字稿，设计好能够吸引观众继续看下去的钩子和节奏。

进入拍摄阶段之后，布景陈设、摄影设备、灯光、收音，以及多机位切换、现场调度，又会带来一系列新的成本。录制结束后，还要经历剪辑、音效、字幕、包装等后期流程。

百度一镜发布的数字人视频播客解决方案，让我们看到了一种新的思路。

前面两个视频播客案例呈现出的专业视听语言，背后其实是复刻了真人流水线的多智能体架构。

百度一镜把编剧、导演、剪辑等环节交给多个AI智能体协同完成，把数字人真正放进一条完整的视频生产流水线，而不只是负责出镜。从展示效果来看，它已经能够支持单人讲学、双人观点对谈等多种视频播客形式。

根据百度官方实测数据，这套方案让视频播客制作成本下降了74%，制作效率提升了785%，而内容表现力的提升也让平均播放时长上涨了29%。

当然，这些数据还有待更多实际项目持续验证，但至少说明了一件事：数字人的价值，正在从替真人出镜，逐渐转向重构内容生产流程。

未来，随着微表情、多模态统一、多智能体协同等能力进一步成熟，数字人会不会成为一种新的内容基础设施？或许是数字人行业下一阶段值得讨论的话题。

百度一镜这次升级，提供了一个值得观察的样本。它证明数字人已经不只是直播带货、新闻播报这样的标准化应用，也开始具备支撑长效观点输出、知识分享、品牌内容生产等更复杂内容形态的能力。

欢迎分享、点赞、推荐

一起研究AI