支持SDK接入，提供API调用，支持私有化部署，对话数字人大屏一体机（数字人平台及AI服务、数字人2D模型定制、TTS语音包、硬件设备等）适用于政企大客户、大型服务类企业私有化纯软部署。如展览展馆、文旅体验、局域网导览、客服接待、迎宾大屏等。

一、数字人直播的常见认知误区

1. 数字人技术不成熟，仍处于「一眼假」阶段？

这一观点目前应该属于主流认知，且从表象上看，也符合外部观察结论和大众心理预期。毕竟这个飞速内卷的社会，让大家都很疲惫。但是很可惜，这种预期恐怕会让大家对这次的行业变化产生懈怠以至于最终准备不足。

作为一名2018就进场的内容电商从业者，我在2022年底甚至2023年开年的几个月，也极为反感那些AIGC鼓吹者，尤其是数字人这个多年前就提出的解决方案在我看来根本就连录播都不如。但没有几个月，世道就变了。

「一眼假」的本质

在解释世道之嬗变前，先要梳理一下，为什么数字人目前普遍被认为「一眼假」。

数字人在表现力上能不能实现高度拟真，跟我们通常所说的能通过图灵测试的那些人工智能应用关系着实不大，说白了，目前我们对数字人拟真表现的质疑并不是在其知识泛化推理能力上，而是觉得即便从感官层面来看，这些数字人都骗不过我们的眼睛和耳朵。

人固然是万物之灵，但毕竟无法诓骗自己的基因，我们对于微表情、声音情绪、身体动作等交互行为的洞察力不仅极为趋同，而且非常敏锐。

按照AI领域的专业说法，这就叫人类行为的“多模态表示学习(Multimodal Representation)”或者“多模态识别”，是一个上世纪70年代就开始被广泛研究的人工智能课题，数字人这种应用方案属于其中的“多模态融合(Multimodal Fusion)”技术，方案体验度的好坏取决于“模态转化（Translation）”效率和“对齐(Alignment)”效率。也就是说，数字人逼真与否，根本上取决于两个重要的能力——

“模态转化（Translation）”效率

简单来讲，数字人直播的技术实现其实是人类表达方式在不同媒介或者不同感官层面的转化和叠加，以下就是转化和叠加的进阶过程：

l 李白写出《将进酒·君不见》一诗的文字版（原谅我刚看完长安三万里还在兴头上）

l 文字版被AI通过语义分析，转换成带有情绪的音频朗诵版

l 音频版被AI通过情境分析，转化成带有丰富表情动作的视频版

l 视频版被AI按照一定策略切割成一个个极为短促的视频片段，最后组合成有一定随机特征的直播流