從賣貨到深度對(duì)談，百度一鏡把數(shù)字人帶進(jìn)了深度內(nèi)容區(qū)

作者|亞娜

2026年WAIC現(xiàn)場(chǎng)，百度展區(qū)循環(huán)播放的一段視頻，引來(lái)不少參會(huì)者駐足。

畫面中，甲子光年創(chuàng)始人張一甲與量化分析師林深對(duì)坐而談，金句頻出。比對(duì)話內(nèi)容更抓人眼球的，是兩位數(shù)字人毫秒級(jí)的微表情演繹，生動(dòng)程度足以混淆虛實(shí)。畫面流暢到讓多數(shù)觀眾渾然不覺，屏幕背后的那張臉完全是由大模型生成的。

過(guò)去一年，數(shù)字人正在加速滲透到視頻內(nèi)容創(chuàng)作領(lǐng)域。去年618期間，羅永浩團(tuán)隊(duì)試水?dāng)?shù)字人直播；今年世界杯期間，百度一鏡攜手可口可樂推出了“AI范志毅”實(shí)時(shí)互動(dòng)數(shù)字人；海外健身頂流帕梅拉借助AI生成的能量棒廣告內(nèi)容。

這些實(shí)踐表明，數(shù)字人已經(jīng)逐步從概念走向直播、品牌互動(dòng)、廣告營(yíng)銷等多元場(chǎng)景應(yīng)用中，高質(zhì)量?jī)?nèi)容的生產(chǎn)門檻被進(jìn)一步拉低。

但有一個(gè)考題卻從未解決，數(shù)字人能應(yīng)對(duì)帶貨場(chǎng)景中的對(duì)話配合，放到深度訪談里就接不住了。直播帶貨尚且可以靠語(yǔ)調(diào)和動(dòng)作支撐起來(lái)，深度訪談中一來(lái)一回的互動(dòng)、下意識(shí)的微表情、眼神的落點(diǎn)、接話的節(jié)奏，這些真人之間習(xí)以為常的細(xì)節(jié)，恰恰是數(shù)字人最難跨越的門檻。

百度一鏡在WAIC展示的視頻播客方案，正是對(duì)這一命題的產(chǎn)業(yè)級(jí)回應(yīng)。

百度一鏡數(shù)字人有多“逼真”？

視頻播客的熱度在近兩年持續(xù)攀升，但在實(shí)際落地中仍面臨諸多痛點(diǎn)。

真人訪談?lì)惞?jié)目的制作成本居高不下，從布景陳設(shè)、嘉賓邀約到設(shè)備租賃、后期剪輯各個(gè)環(huán)節(jié)都需要大量投入，且制作周期長(zhǎng)、產(chǎn)出效率不高。現(xiàn)有數(shù)字人視頻方案雖然能在一定程度上增效降本，但技術(shù)尚未成熟，數(shù)字人表情生硬、對(duì)談缺乏交互感，畫面合成痕跡過(guò)重，觀眾幾乎一眼便能識(shí)破，無(wú)法沉浸其中。

在2026年WAIC現(xiàn)場(chǎng)，百度一鏡首發(fā)的數(shù)字人視頻播客之所以能引發(fā)關(guān)注，源于其在觀感上已經(jīng)較為貼近真人訪談，部分片段甚至足以“以假亂真”，引發(fā)了不少參會(huì)者關(guān)注。

光是微表情這一項(xiàng)，就能看出差距。傳統(tǒng)數(shù)字人在情緒轉(zhuǎn)換上往往缺乏過(guò)渡，例如數(shù)字人從“振奮”到“沉思”幾乎不帶情感過(guò)渡，違和感十足。而百度一鏡的視頻播客中，林深在發(fā)表觀點(diǎn)時(shí)會(huì)下意識(shí)挑眉，甲小姐在傾聽對(duì)方觀點(diǎn)進(jìn)入思考狀態(tài)時(shí)嘴角也會(huì)輕微下壓，這類近乎人類本能反應(yīng)的細(xì)節(jié)，讓數(shù)字人有了“活人感”。

再看對(duì)話互動(dòng)配合。視頻播客中雙人訪談的難點(diǎn)從來(lái)不只是考驗(yàn)臺(tái)詞的完成度，而是在于雙方之間的實(shí)時(shí)反饋。這段長(zhǎng)約3分鐘的對(duì)談中，兩人的互動(dòng)節(jié)奏較為流暢。在林深陳述觀點(diǎn)時(shí)，甲小姐會(huì)適時(shí)點(diǎn)頭回應(yīng)表達(dá)認(rèn)可，視線始終穩(wěn)定落在對(duì)方面部；當(dāng)話題推進(jìn)到關(guān)鍵節(jié)點(diǎn)，甲小姐會(huì)迅速反應(yīng)調(diào)整并順勢(shì)接過(guò)話頭，整體銜接沒有明顯的停頓或錯(cuò)位感。

最后是畫面質(zhì)感。市面上多數(shù)AI數(shù)字人之所以“一眼AI”，核心原因在于數(shù)字人皮膚太過(guò)光滑，濾鏡太偏重，再加上人物與背景之間缺乏統(tǒng)一的光影邏輯，很容易造成人畫分離的懸浮感。在這個(gè)視頻中，兩位數(shù)字人都保留了相對(duì)自然的皮膚紋理，眼角紋路和顴骨斑點(diǎn)未被刻意磨除，近乎1:1真人可隆，且人物與背景的光照方向也基本一致，合成感有所減弱。

簡(jiǎn)而言之，傳統(tǒng)數(shù)字人在訪談場(chǎng)景中更像一套預(yù)設(shè)動(dòng)作的執(zhí)行工具；而百度一鏡的這版方案，則更像一個(gè)有反饋的談話對(duì)象。

根據(jù)百度公布的數(shù)據(jù)，使用該方案后，視頻播客制作成本降低74%，制作效率提升至原來(lái)的近8倍，同時(shí)內(nèi)容平均播放時(shí)長(zhǎng)增加了29%。不難看出，這輪技術(shù)升級(jí)后，百度一鏡至少在成本控制和用戶留存兩個(gè)維度上，為行業(yè)提供了可量化的參考。

而此次升級(jí)后的百度一鏡，已不限于雙人深度訪談，還支持單人講解、多人圓桌討論等場(chǎng)景。公開信息顯示，百度一鏡在財(cái)經(jīng)短視頻賽道已涌現(xiàn)多個(gè)爆款，多個(gè)由百度一鏡生成的數(shù)字人財(cái)經(jīng)主播視頻播放量高達(dá)200w+。

同樣是數(shù)字人，百度一鏡改了什么？

AI數(shù)字人要做到真正意義上的“逼真”，關(guān)鍵不在于渲染精度，而在于行為邏輯是否經(jīng)得起推敲。

市面上大量數(shù)字人產(chǎn)品之所以“一眼AI”，根源在于其行為邏輯是編程式表演。通過(guò)對(duì)輸入內(nèi)容做情緒標(biāo)簽分類，調(diào)取對(duì)應(yīng)表情模版，結(jié)果是數(shù)字人表情轉(zhuǎn)換缺乏過(guò)渡，情緒反應(yīng)孤立，缺少連貫的人設(shè)支撐。

百度一鏡給出的技術(shù)解法是，把數(shù)字人從執(zhí)行指令的木偶，變成理解內(nèi)容的演員。

這套邏輯背后，有三個(gè)值得關(guān)注的技術(shù)要點(diǎn)。

其一，文心大模型充當(dāng)導(dǎo)演。

傳統(tǒng)技術(shù)路線是Low-level控制，識(shí)別一句話的情緒傾向，匹配一個(gè)對(duì)應(yīng)的表情動(dòng)畫。百度一鏡升級(jí)到了High-level控制，不只看情緒，而是從六個(gè)維度綜合評(píng)估，給出細(xì)粒度的表演指令。這項(xiàng)能力的底層基礎(chǔ)是AU級(jí)（Action Unit）控制，把面部微表情拆解為上百個(gè)可獨(dú)立調(diào)度的基本單元。

以“挑眉”為例，傳統(tǒng)方案只能做"挑眉/不挑眉"的二元開關(guān)；而百度一鏡可以通過(guò)“標(biāo)簽+自然語(yǔ)言描述”相結(jié)合的方式，控制挑眉的角度、速度、持續(xù)時(shí)間以及它與嘴角、眼神的配合關(guān)系。

這種控制粒度，相當(dāng)于將導(dǎo)演的意圖拆解為可執(zhí)行的表演指令。

其二，專精模型確保導(dǎo)演的指令被執(zhí)行到位。

文心大模型完成規(guī)劃后，需要執(zhí)行層將指令轉(zhuǎn)化為畫面輸出。這部分的技術(shù)難點(diǎn)在兩個(gè)維度：空間上，多個(gè)部位需要同步運(yùn)動(dòng)且互不干擾；時(shí)間上，表情變化的響應(yīng)速度要足夠快，否則就會(huì)出現(xiàn)聲畫錯(cuò)位。

百度自研的數(shù)字人專精模型，在空間維度實(shí)現(xiàn)了對(duì)數(shù)百個(gè)微表情單元的協(xié)同調(diào)度；在時(shí)間維度上，將表情控制粒度壓縮到1秒以內(nèi)，以確保語(yǔ)音節(jié)奏與面部動(dòng)作精準(zhǔn)對(duì)齊。這兩項(xiàng)能力疊加，解決了此前數(shù)字人產(chǎn)品普遍存在的模態(tài)拼接失真問(wèn)題。

例如，在可口可樂的一條AI范志毅廣告TVC中，數(shù)字人先是自然注視主持人，隨后從容抬起搭在膝上的雙手，從口袋掏出手機(jī)，同時(shí)回答從未間斷。整個(gè)過(guò)程中，目光、手勢(shì)、語(yǔ)音三者精準(zhǔn)同步，幾乎看不出AI的痕跡。

其三，海量影視級(jí)數(shù)據(jù)“喂”出來(lái)的真實(shí)感。

數(shù)字人演技打磨需要靠高質(zhì)量素材的喂養(yǎng)。百度一鏡通過(guò)將大量影視級(jí)素材輸入文心大模型，讓模型理解每一幀畫面內(nèi)容，再經(jīng)過(guò)多輪清洗、篩選、提煉，最終保留高質(zhì)量樣本用于訓(xùn)練。而訓(xùn)練數(shù)據(jù)的質(zhì)量，直接決定了數(shù)字人在面對(duì)不同場(chǎng)景時(shí)能否做出恰當(dāng)?shù)姆磻?yīng)。

經(jīng)過(guò)高質(zhì)量喂養(yǎng)和訓(xùn)練后，百度一鏡生成的數(shù)字人演技得到了直觀的提升。

三層技術(shù)疊加下，百度一鏡數(shù)字人的語(yǔ)音節(jié)奏、面部表情、肢體動(dòng)作不再作為三個(gè)獨(dú)立模塊運(yùn)行，而是形成了一套統(tǒng)一連貫的表達(dá)系統(tǒng)。

需要指出的是，盡管這套方案已在單人講學(xué)、雙人訪談、多人討論等場(chǎng)景中有所展示，量產(chǎn)穩(wěn)定性和泛化能力仍有待更長(zhǎng)周期的驗(yàn)證。但至少?gòu)募夹g(shù)路徑上看，它為行業(yè)提供了一個(gè)值得參照的方向。

從視頻播客到AI短劇，內(nèi)容創(chuàng)作正式邁入“超級(jí)個(gè)體”時(shí)代

過(guò)去一年，AI視頻生成行業(yè)普遍卡在同一瓶頸上：文生圖像、文生視頻熱度不減，但生成人物表情依然僵硬，口型對(duì)齊仍有偏差；數(shù)字人直播雖已不少見，但能承載深度訪談內(nèi)容的幾乎沒有。

百度一鏡這次切入的，正是“微表情”這塊最難啃的骨頭。

拉長(zhǎng)時(shí)間線來(lái)看，百度一鏡過(guò)去一年的產(chǎn)品演進(jìn)路徑頗為清晰，場(chǎng)景邊界持續(xù)外擴(kuò)。

AI羅永浩時(shí)期，重點(diǎn)在于驗(yàn)證電商直播場(chǎng)景中數(shù)字人的真實(shí)感能否被用戶接受；AI范志毅階段，數(shù)字人從帶貨主播延展為可交互的品牌資產(chǎn)；WAIC現(xiàn)場(chǎng)展示的視頻播客方案，則把雙人深度訪談做成了可落地的產(chǎn)品形態(tài)。

其底層產(chǎn)品架構(gòu)也在同步升級(jí)。目前，百度一鏡已將直播、視頻、互動(dòng)三大板塊整合為統(tǒng)一平臺(tái)，背后的編劇Agent、導(dǎo)演Agent、剪輯Agent配合80多個(gè)Skill模塊，共同支撐起從內(nèi)容策劃到成片輸出的完整制作流程。

百度創(chuàng)始人李彥宏曾在Create大會(huì)上提出一個(gè)判斷：“數(shù)字人就是看得見的智能體。”當(dāng)數(shù)字人具備了微表情表達(dá)能力，它的角色定位就不再是直播間的出鏡工具，而是可以深度參與內(nèi)容創(chuàng)作的基礎(chǔ)設(shè)施。

這種基礎(chǔ)設(shè)施屬性，在一個(gè)容易被忽視的細(xì)節(jié)上體現(xiàn)得尤為明顯。市面上多數(shù)視頻生成工具僅能生成數(shù)十秒的片段，而百度一鏡可以輸出幾分鐘甚至數(shù)小時(shí)的連貫內(nèi)容，同時(shí)支持實(shí)時(shí)互動(dòng)，不在同一量級(jí)。

更重要的是，這套方案的使用門檻并不高。用戶只需上傳3分鐘素材，即可1:1復(fù)刻本人的形象與聲音，拍攝時(shí)間和制作成本被大幅壓縮。

量級(jí)差異帶來(lái)的是創(chuàng)作方式的根本變化。一個(gè)人加上百度一鏡，就能完成以任意人物形象為主體的視頻制作。場(chǎng)地、設(shè)備、嘉賓、剪輯，這些過(guò)去繞不過(guò)去的門檻，正在被逐一拆除。

視頻播客驗(yàn)證了數(shù)字人在深度內(nèi)容場(chǎng)景的可行性，尤其是被突破的微表情能力，讓角色在對(duì)話中的情緒流露有了“真人感”的底色——同樣的能力，正在向AI短劇遷移。一部十分鐘的AI短片，創(chuàng)作者只需提供故事和創(chuàng)意，編劇、導(dǎo)演、剪輯三個(gè)Agent各司其職，百度一鏡數(shù)字人負(fù)責(zé)把想法演繹出來(lái)。一部短劇的制作成本從數(shù)萬(wàn)元降至幾乎為零，制作周期更是從數(shù)周壓縮至數(shù)小

市場(chǎng)對(duì)這套邏輯已有初步反饋。據(jù)沙利文報(bào)告，百度一鏡以8.1%的市場(chǎng)份額位列行業(yè)第一，產(chǎn)品綜合實(shí)力排名同樣居首，當(dāng)前已經(jīng)累計(jì)服務(wù)客戶超10萬(wàn)，覆蓋30多個(gè)行業(yè)。

從視頻播客到AI短劇，數(shù)字人的應(yīng)用邊界還在持續(xù)外擴(kuò)。若將視線放得更遠(yuǎn)，數(shù)字人在內(nèi)容創(chuàng)作領(lǐng)域的最終形態(tài)，或許是一個(gè)“7×24小時(shí)在線的創(chuàng)作協(xié)作體”。

當(dāng)創(chuàng)作不再受制于資源，表達(dá)的門檻便只剩下想象力本身。而想象力，從來(lái)不是技術(shù)能決定的。百度一鏡正在做的，是把內(nèi)容生產(chǎn)的主動(dòng)權(quán)，從機(jī)構(gòu)交還給個(gè)體。