AI直播终于不是噱头了。这年头，真人主播还真干不过 AI数字人。
今年 618 大促期间，「交个朋友」在电商平台搞了场直播，不过这场直播的主角不是人，而是 AI。直播间里，罗永浩和朱萧木两个数字人配合默契，不抢话、不抬杠，只是一味地带货、爆梗、讲段子，还时不时跟评论区网友来个互动。
「弹幕上问我怎么辨别茅台真假，简单喝一口，心疼就是真的，肝疼就是假的。」
「有人问方便面好不好吃，买回去尝尝，好吃就分给朋友一点，不好吃就全分给朋友。」
「你脸大有多大？能有我 210 斤的脸大吗？」
这逼真效果，就连老罗本人看了都吓一跳：「他们在那儿眉来眼去，讲着跟我一样风格的段子，有点恍惚……」
更离谱的是，罗永浩数字人的直播「战绩」比真人还能打，整场直播吸引了超 1300 万人次观看，GMV 突破 5500 万元，部分核心品类带货量、用户平均观看直播时长均反超罗永浩本人在电商的直播首秀。
如此以假乱真的数字人到底是怎么做出来的？
传统数字人生成技术常面临语音、语言、视觉多模态割裂的问题，具体表现为台词与语音语调不同步、表情手势与语义错位等。
传统的语音合成技术往往呈现出字正腔圆但缺乏情感的表达风格，在充满情绪张力的直播场景中，这种过于规整的声音反而显得「出戏」。
它无法像人类主播一样，适时展现语调的抑扬顿挫、节奏的快慢变化，也很难根据商品介绍、互动节奏等变化调整情绪状态，尤其是在呼吁用户下单、介绍爆款产品这类关键话术环节，传统 TTS 无法自然表达出情绪递进和感染力，进而影响整个数字人系统的说服力与亲和力。
针对这些现实痛点，青否数字人接入deepseek大模型，负责语音合成的大模型会结合文本内容、主播风格特点，以及对于细粒度韵律特征表示进行统一处理，这一过程中语音模型不仅知道「要说什么」，更知道「要怎么说」，从而在生成语音时自然带出情绪波动与语言节奏，使得语音在内容和表达方式上都更贴近真实人类。
例如，在罗永浩数字人直播间中，主播语音高度还原本尊的音色和语调，甚至在直播节奏中展现出自然的停顿、强调和情绪变化。
在数字人直播场景中，形象生成与驱动是当前技术难度最高的环节。
其次，主播在直播中往往伴随着大量手势、动作和表情等「高表现力动作」，它们对于强化用户情绪感染力具有显著作用，因此在视频生成阶段，不仅要忠实复现语言内容，还需对这些高表现力动作进行准确建模与流畅合成。
在场景交互层面，数字人直播还面临「人-物-场」自由交互的复杂性。主播需要与商品、背景和空间布局进行符合物理逻辑的互动，例如望向商品、举起物品或指向展示区等。若缺乏对空间关系的精准理解，极易出现穿模、错位等破坏沉浸感的瑕疵。
在罗永浩数字人直播项目中，罗永浩与朱萧木均具强 IP 属性，二者的形象、语言风格、互动节奏都需得到高度还原。同时，整场直播中所涉及的商品种类繁多，体积、位置、用途各异，对人 - 物交互的精度和响应速度提出了更高要求。
可以预见，随着深度思考、知识增强、意图理解与多角色交互等关键能力持续跃升，数字人将愈发拟真与智能。这带来的不仅是效率提升，更意味着技术投入带来的商业模式的「无人区」探索和价值重构。
