文 | DoNews 李信馬
剛剛過去的“618”，火了一群“AI主播”。
直接看戰(zhàn)報吧，2024年“618”期間，京東直播訂單量同比增長超200%。其中，京東云言犀數(shù)字人：
- 在超過5000個品牌直播間開播；
- 累計時長超過40萬小時；
- 累計觀看人次超過1億；
- 互動頻次超過500萬次。
按照京東的統(tǒng)計，截至目前，言犀數(shù)字人已累計帶動了超百億的GMV（商品交易總額）。這個數(shù)字，放在今天的直播帶貨行業(yè)，實在不算個大數(shù)字。
據(jù)艾瑞咨詢剛剛發(fā)布的《2023年中國直播電商行業(yè)研究報告》顯示，2023年，我國直播電商市場規(guī)模高達4.9萬億人民幣，增速達到35.2%，并預(yù)測未來三年還將保持18%的年復(fù)合增長率。100億，甚至比不過頭部達人的年度GMV。
不過，對京東來說，這算是很不錯的成績。在直播帶貨賽道如火如荼之際，老牌電商平臺京東卻掉了隊，談到直播帶貨達人，淘寶有李佳琦，抖音有瘋狂小楊哥、羅永浩，快手有辛巴，而京東卻讓人想不到有可以相提并論的。
雖然近一年來，京東沒少花心思做直播，但培養(yǎng)頭部達人并不是個容易速成的事情。山不轉(zhuǎn)水轉(zhuǎn)，用AI數(shù)字人主播代替真人主播，成為一種“彎道超車”的選擇。
從京東“618”戰(zhàn)報來看，AI主播也算是小有成績。只是，這樣的成績會是曇花一現(xiàn)，還是真的能走出一條通天大路？
一、日不落的直播間
前幾天，“鐘薛高老林”直播間發(fā)生了驚魂一幕，女主播在介紹產(chǎn)品時，突然身體開始搖晃，然后猛然摔倒，伴隨著直播間里的尖叫聲，話題也沖上熱搜第一。
好在虛驚一場，女主播表示只是身體不適。不過，就此事而言，卻體現(xiàn)了AI主播相比真人主播的優(yōu)勢之一：不會疲憊，也不需要休息。
DoNews聯(lián)系了一位資深帶貨主播嘉琪，在我們和她討論AI主播時，她的第一反應(yīng)是，有了AI主播，直播間就可以“日不落”了。
“直播帶貨最少一個主播一個助播，還要有人投流，也就上班時間能湊一起，至于達人，更不可能一直播?！奔午髂壳懊恐軉涡菀惶?，工作日每天直播4小時。而她所在的公司，同一個直播間會由三名主播早中晚三班輪班，一天播滿12小時。
每天24小時，嘉琪所在的直播間只播一半，主要問題就是剩下的時間能夠賺錢，但性價比不高。比如她們的最后一班是晚上7點半結(jié)束，之后到11點半的4小時，直播帶貨的效果不一定比白天好，但成本和麻煩程度只高不低，因此就被公司放棄了。
按嘉琪估計，她們直播間平均每天GMV在4萬元左右，投流的成本大約是1萬元，而主播的工資是200元每小時?！懊總€平臺的投流不太一樣，比如小紅書是點進來（直播間）一次我們要給2塊多，抖音是另一套規(guī)則，它們投流很細。”
因此，流量高的黃金時段，要直播而且要多投流；流量低的閑時，投流沒意義，純自然流量可能連人力成本都覆蓋不了，就沒必要直播了。
至于200元/小時的收入水平，在北京的直播帶貨圈子里算中等偏上，嘉琪介紹，不同平臺、不同品類的直播間主播的收入水平會有所差異，此外還會有不同比例的提成點，“像是服飾類，提成可能在2%-5%，但像糧油這樣的，可能就只有千分之幾了。”
能有這樣的待遇，是因為直播帶貨的確有其門檻，她們直播間表現(xiàn)最好的一天，GMV達到了25萬，投流成本不到3萬，除了運氣和產(chǎn)品銷售策略，主播的個人能力影響很大。
而且這也是“體力活”。“一場直播下來，可能就休息幾分鐘，去上一次洗手間，每天4小時感覺不多，但持續(xù)播一段時間就會很疲憊，嗓子也會難受?！奔午鞑畈欢嘁粋€月會請假一兩次來休息，不請假的話“卷”兩個月，她就要休息一個小長假才能恢復(fù)過來。
相比真人，AI主播的成本非常低廉，閑時也可以一直在線。比如京東，就表示言犀數(shù)字人直播成本僅為真人1/10，在今年4月，百度發(fā)布了曦靈數(shù)字人，采訪中百度智能云副總裁喻友平也對DoNews表示，在不投流的情況下，6小時直播比對中，數(shù)字人的成本大概是真人的15%左右，GMV則是真人85%。
京東對使用數(shù)字人直播有三個階段的目標，其中第一階段是向真人看齊，可以和真人接力，在黃金時段之外帶貨。有AI主播做閑時補充，直播間可以24小時日不落，比如聯(lián)想的京東直播間，據(jù)統(tǒng)計AI主播的每小時成交量，能達到真人的45%，成本只有10%；珠寶品牌潮宏基的AI主播平均每天播22小時，每月比真人10小時直播能省下兩三萬。
只是，如果AI主播止步于降本，那就不值得討論了，因為直播帶貨行業(yè)還是銷售為王。而從今年京東“618”來看，AI主播表現(xiàn)出來了更大的潛力——也許真的可以替代真人。
二、AI主播是怎樣煉成的？
AI主播并不是新鮮事，2022年起，言犀虛擬主播就在青蛙王子、六神、同仁堂、百雀羚等上百家國貨品牌直播間上崗，在去年的“618”，京東曾發(fā)布消息“開門紅開啟10分鐘，言犀虛擬主播開播商家較去年11.11增幅近4倍”。
但以前沒火起來，本質(zhì)還是太“菜”了，完全比不上真人。
在百度發(fā)布曦靈數(shù)字人時，喻友平的描述就很謙虛：“未來要覆蓋到更多原本都沒有能力做直播的商家或者企業(yè)，讓他們能夠低成本的把直播用起來。雖然客觀來說，肯定沒法代替那些頂級的直播，沒法達到他們那么高的水平，但是達到70%的水平，或者說我們隨便找10個素人出來，肯定比他們水平高。”
而同一時間，京東卻選擇挑戰(zhàn)高難度。在4月16日，京東直接做出了劉強東的AI數(shù)字人“采銷東哥”，并亮相直播間開啟了首場直播賣貨。
直接上“老板”賣貨，有魄力也很好玩，看一下銷售數(shù)據(jù)：在42分鐘的上播時間里，“東哥”講解了13款產(chǎn)品（主要是家電），直播間的觀看數(shù)量超過了2000萬，創(chuàng)下了京東超市采銷直播間開播以來觀看人數(shù)的最高峰，最終訂單數(shù)突破了10萬，銷售額超過了5000萬元。
DoNews當時也特意觀看了這場直播，說實話，前面一小段時間，真的沒分辨出是不是真人，不止是長得像，一口宿遷味的普通話也頗具迷惑性。（也有原因是一開始的消息“京東創(chuàng)始人、董事局主席劉強東即將在京東APP上開啟直播”中沒有說是AI主播）看了一會，才隱約覺得表情和微動作有些重復(fù)和不自然。而多久能分辨出來是否是真人，就是京東對AI主播進行效果評判的核心指標。
京東云言犀負責人在第一次直播后的采訪中說：“觀眾在進入直播間的前120秒，如果不覺得是數(shù)字人，就有可能跨過‘恐怖谷’效應(yīng)，對主播產(chǎn)生信任感。這能大幅提高下單率。”
一旦跨越了這條鴻溝，AI主播就可以進入京東預(yù)期的第二階段：媲美真人，能夠承擔一些重要獨立的任務(wù)，比如重要時段的直播、講解等。以“采銷東哥”為起點，“618”的京東直播間里，冒出了不少“AI老板”，有格力董明珠、海信胡劍涌、LG李東善、名創(chuàng)優(yōu)品葉國富、潔麗雅石展承等十幾位企業(yè)總裁，也算是趕上了雷軍、周鴻祎等商界大佬直播的熱潮。
能達到這樣的效果，不得不說，要感謝人工智能尤其是大模型技術(shù)的突飛猛進，我們現(xiàn)在管訓練大模型叫煉丹，那京東的AI主播，就是主打一個“菜就多煉”。簡單的說下，京東言犀數(shù)字人背后的技術(shù)。
建立數(shù)字人形象，主要分為外觀和聲音兩部分。以“采銷東哥”為例，在外觀部分，言犀團隊利用劉強東的高清視頻，配合 3D Mesh 技術(shù)方案，快速建立擬真的真人形象，并支持數(shù)字人做出大姿態(tài)、有感染力的動作，比如揮舞手臂，或者側(cè)臉看手機。簡單理解，就是專精人物視頻生成的“Sora”。
在聲音方面，言犀團隊設(shè)計了聲音供應(yīng)鏈的概念，從開始供應(yīng)聲音最基礎(chǔ)的元素上進行規(guī)范，制定標準，后面技術(shù)進行相應(yīng)的適配。模型在預(yù)訓練中已經(jīng)掌握了人類普遍的發(fā)聲特征，再錄制幾句劉強東講話，就能學習到他“宿遷普通話”的說話風格。直播中一句東哥特色的“兄弟們”，誰聽了不迷糊？
三、暢想：未來的AI主播會是怎樣？
以假亂真是很厲害，但大家看直播，不只是為了看“真實”。
除了折扣外，消費者也喜歡看主播們唱跳Rap，最好再給家人們上上才藝整整花活兒。眼下AI主播們的風頭，其實是借著商界大佬們的形象，頗有些“狐假虎威”的意思，絕大多數(shù)人一輩子也聽不到劉強東面對面喊自己一聲“兄弟”，更不用說給介紹下商品了。
另一方面，由于多種原因，直播帶貨行業(yè)正由達人帶貨向店播的模式傾斜，再加上最近流行“一把手”出鏡（但有時間和能力的企業(yè)家并不多），因此，京東帶頭發(fā)起的““總裁數(shù)字人直播”可以說搔到了不少企業(yè)的癢處。
等新鮮感過去后，AI主播還能吸引消費者們觀看和購買嗎？畢竟，目前的AI主播，只能在直播間里說話做表情，并不具備真正人類的行動力。反觀真人直播帶貨還在不斷的推陳出新，比如 ZARA 在去年年底的一場直播，請來了超模游天翼現(xiàn)場走秀。
空間挑高近8米，面積達500平，有5臺阿萊攝影機和3臺斯坦尼康等頂尖設(shè)備，再加上軌道車與機械搖臂，12盞阿萊400W聚光燈，這樣超豪華的配置，營造出了至少價值50萬的光影效果。長達約5小時的直播里，鏡頭全程跟蹤超模與兩位主播，從T臺走秀到介紹產(chǎn)品、分享時尚見解，甚至補妝的小細節(jié)也毫無保留地展示出來，這樣的視覺盛宴，吸引了近122萬的觀眾。
這樣的直播，現(xiàn)在的AI主播顯然做不到。
同樣是在4月時，DoNews采訪了虛擬動點董事長劉耀東，虛擬動點專注于空間計算技術(shù)，他們的一大業(yè)務(wù)是做電影動作特效。劉耀東提到一個觀點，現(xiàn)在的視頻生成技術(shù)，包括Sora，都“不懂物理世界”。不懂物理世界的結(jié)果，就是生成的視頻，會發(fā)生“穿?！钡膯栴}。而問題的原因，是因為我們?nèi)粘？吹囊曨l、電影，本質(zhì)上就是二維圖像的堆疊，所以大模型在訓練時，獲得的數(shù)據(jù)也是加上時間軸的二維圖像集，這樣生成的視頻其實也是圖像的組合罷了。
“你會發(fā)現(xiàn)，所有電商（AI主播）直播的場景，（AI）主播是不能動的，它只能同軸位移，就是手可以動，表情可以動，但身體不能動。為什么它不能離開這個軸？因為它是拿視頻訓出來的，就是一個人坐在那里，拍足夠多的視頻來訓練這個AI，然后再用口型和聲音數(shù)據(jù)同步訓練它的表情。它如果大幅度移動的話，就會發(fā)生明顯的抖動等其他問題?！眲⒁珫|解釋道。
如果AI主播一直在畫面正中間，那問題不大，但除此之外——比如只是簡單的站起來——那問題都很大。虛擬動點同樣通過大模型訓練數(shù)字人，但他們采集的空間數(shù)據(jù)是三維的，和視頻數(shù)據(jù)的區(qū)別大概相當于（x，y，z，T）和（x，y，T），這樣從根本上解決大模型“不懂物理世界”的問題，而劉耀東理想中的AI主播，可以站起來，可以走動、做日常動作，甚至可以做物理交互。
“我覺得如果真的要實現(xiàn)到理想中的電商直播場景，那一定要有同步的一套AI算法，加上我們動作的算法，進行重新組合，完成數(shù)字人的驅(qū)動，它肯定不會是一個二維數(shù)字人?！眲⒁珫|總結(jié)道。
不過，這樣靈活的AI主播距離我們還有些遙遠，真人主播為主、AI主播為輔，兩者共存的模式未來將在電商直播領(lǐng)域長期存在，并且行業(yè)仍充滿了機會，用真金白銀獎勵技術(shù)和模式上的突破。
暢想一下，未來可能就是《頭號玩家》或者《失控玩家》里的場景?？赡苡幸惶欤萍家呀?jīng)進步到構(gòu)建出電影里的虛擬世界，也許真人主播不會消失，但AI主播卻可以飛天遁地，不再需要模仿真人，就能完成令我們驚嘆的表演了。