科技日報記者 都芃

2025年日本大阪世博會中國館自4月開館以來，吸引眾多游客“打卡”。游客走進中國館，遠遠就能聽到一聲“俺老孫來也”。這聲音來自科大訊飛股份有限公司（以下簡稱“科大訊飛”）為中國館打造的精通中、日、英三種語言的“AI孫悟空”，其外形、音色均復刻了經典動畫電影《大鬧天宮》中的孫悟空。

“AI孫悟空”背后，是近年來迅速發展的數字人技術。作為AI、元宇宙等新興產業的關鍵連接點，數字人在數字經濟發展中的角色愈發重要。隨著大模型技術在該領域的深入應用，數字人正逐步從“可用”走向“好用”，推動相關產業進入新的發展階段。

形成三大類應用場景

數字人是指通過建模等多種數字智能技術創建的數字智能體。它擁有人類外觀形象、聲音語言，能夠模擬肢體動作，具備思維能力，并能在大模型支撐下實現學習、生成、互動等功能。

在技術和需求雙輪驅動下，我國數字人產業生態日益完善，應用規模不斷擴大，且產業鏈上下游的生產、運營、服務能力逐漸提升。天眼查數據顯示，截至2024年，我國與數字人相關的企業已達114.4萬家，僅2024年前5個月就新增注冊企業17.4萬余家，顯示出數字人產業的市場潛力與活力。

在中國互聯網協會專家咨詢委員會委員武鎖寧看來，要避免數字人技術流于形式，造成資源浪費，必須要找到應用出口，以點帶面推進數字人應用落地。

以應用為牽引，數字人產業正加速構建“技術—場景—商業”閉環生態。

中國互聯網協會發布的《中國數字人發展報告（2024）》（以下簡稱《報告》）分析，數字人應用場景目前初步形成媒介數字人、服務數字人、行業數字人三大類別。其中，媒介數字人是當下較為成熟的數字人應用形式。圍繞媒介數字人產生的場景數量占比可達50％，其逼真的形象和流暢的語言表達，極大提升了信息傳播的互動性與趣味性。

例如，在去年中央廣播電視總臺首次推出的“跨年科技秀”——《中國科技創新盛典》上，出現了主持人張騰岳與“AI分身”同臺主持的場景。這位基于科大訊飛旗下訊飛智作平臺打造的“AI主持人”，不僅擁有和真實主持人一樣的聲音、表情、動作，還可以神態自若地與主持人交流，準確理解對方話語并迅速作出恰當回應，交互流暢程度讓觀眾真假難辨。

《報告》顯示，除媒介數字人外，服務數字人也實現了全面升級，具備更強的交互能力，場景數量占比達30％，廣泛應用于政務、電商、金融等領域；行業數字人則開始萌芽，場景數量占比達20％，逐步在醫療、教育和企業管理中發揮作用。

有望成為AI創新入口

數字人大致經歷了從真人驅動到程序驅動，再到如今AI驅動的三個階段。

早期由真人驅動的數字人雖然也能呈現出虛擬數字形象，但主要借助計算機圖形學建模和動作捕捉等技術，背后仍需真人提供大量語言、動作等數據進行支撐。由程序驅動的數字人可以不再由真人提供語言、動作等數據，但它基于固定計算機程序，更接近于“數字機器人”，無法實現高逼真度的擬人化效果。近年來，由AI驅動的數字人不僅在語音播報、動作表情等細節呈現上愈加逼真，還逐步擁有了更加強大的交互和思維能力。

“幾年前，數字人可能會有唇形、表情不匹配，動作僵硬等問題。這是因為數字人本身對文本語義理解不到位，且表情和動作大多依賴有限的預設資源，無法與文本內容進行精準匹配。”科大訊飛數字人業務負責人郜靜文說，隨著大模型技術在數字人領域的深入應用，數字人產品性能已邁上新臺階。

例如，去年10月，科大訊飛發布超擬人數字人。它基于多模擴散生成大模型，能根據語音的節奏、語調和內容實時生成肢體動作，突破了動作預設模板限制，極大提升了數字人在動態場景中的表現力。騰訊發布的智影數字人能夠實現“形象克隆”和“聲音克隆”，用戶只需上傳少量圖片、視頻和音頻素材，就能快速生成自己的數字人分身并定制音色。阿里巴巴的開源AI數字人EchoMimic，則能賦予靜態圖像生動的語音和表情。

“簡而言之，大模型技術既能讓數字人真正理解語義，也能讓它根據對文本的理解快速生成相應的動作、表情，從而做到惟妙惟肖。”郜靜文說。

中國互聯網協會理事長尚冰認為，數字人正成為AI活躍的應用落地入口，與大數據、智能終端、具身智能等產業的鏈接度、嵌入度、融合度較強，或將成為下一代互聯網活躍的交互界面之一。要關注創新應用的落地實踐，積極探索數字人等新興業態，加速形成規模化應用優勢。

武鎖寧也認為，數字人是AI應用突破口、AI創新入口。AI驅動的數字人，有望為各行各業帶來更加豐富多彩的應用，而這些應用恰恰可以引導AI走向務實發展的道路。

打造個性化“數字分身”

隨著數字人的廣泛應用，諸多場景對數字人提出了更高要求。

“比如電商直播、客服問答等場景，對數字人的實時交互能力提出了極高要求。數字人既要能與用戶實時對話，還要根據對話內容生成相應的動作、表情，否則就會影響業務處理效率，直接影響用戶體驗。”郜靜文介紹，為提升數字人視頻生成模型效率，公司團隊研發了動作表征抽取技術，將語音和文本輸入轉化為緊湊的中間表征，有效壓縮了視頻維度。借助這項技術，系統可以像速記員一樣，從輸入的文字、語音中快速提取出關鍵信息，減少無關信息數據量，并據此進行視頻生成，大大提升視頻生成效率，保障數字人與用戶互動的實時性。

還要看到的是，雖然數字人產業發展勢頭迅猛，但當下仍處于快速成長期。郜靜文認為，目前數字人產品出現了同質化現象，個性化、定制化將成為未來數字人產業的重要發展方向。隨著生成式AI技術的發展，數字人的制作門檻和成本迅速降低，制作效率和內容多樣性顯著提升，用戶根據自身特點打造更具個性化的數字人產品已成為現實。現在，僅憑一張照片、一句話錄音等素材就能生成個性化的超擬人數字人，極大簡化了數字人定制對于預設素材的要求，優化了用戶的操作路徑。

郜靜文也坦言，雖然大模型技術正在推動數字人“飛入尋常百姓家”，但要實現更精細化的效果，仍需進行大量數據喂養和交互訓練。此外，隨之而來的隱私泄露、數據安全等問題不容忽視。

“可能未來我們每個人都會有一個‘數字分身’，它可以協助我們處理工作，解答生活中的疑惑，成為我們的陪伴。”郜靜文說。