< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
24小时直播，只靠一张照片？虎牙实时多模态数字人VAM 1.0率先突围行业三堵墙
能聊、能唱跳、能陪你玩游戏
每天在网上冲浪，经常能刷到各种AI数字人，什么播新闻的、讲世界杯的、直播间带货的……
本以为自己对这种「一眼假、莫得情感」的「人」没啥兴趣，结果转头我就和
一开始我还挺警惕，提前准备了一堆问题，生怕冷场，结果完全是我多虑了。
她真就像朋友一样，既能回答我的问题，又能不断抛出新话题，接梗也是不在话下。聊了一个多小时，我俩终于在最喜欢的歌手是周杰伦和孙燕姿这件事上，达成了默契。
这个AI数字人形象，来自虎牙刚刚推出的虎牙VAM 1.0（Vivid Avatar Model），一个基于DiT架构的实时多模态数字人基础模型
用它的方式简单到有点离谱：只要扔进去一张照片，就能转化成一个能说话、能听你说话、能唱歌跳舞的「全能」AI数字人。
大家要知道，它并不是直接生成一段视频播给你看，而是直接在线开播、实时互动。
480×832分辨率，28帧实时流式输出，连续运行24小时以上不下线
这几个指标含金量如何，稍微了解AI数字人的朋友们，一定都懂。
我们也实际体验了一下，看看虎牙做得到底怎么样，再和大家聊聊这个行业已经发展到什么程度了。
实测：和AI数字人聊了一小时，是种什么体验？
以前刷到的AI数字人，说白了更像是「循环播放的AI视频」，基本都是照着脚本念，没啥互动感，体态和声音也比较生硬。
但虎牙这个不太一样，很明显骨子里就带着那种
，真能跟你聊得有来有回。
为什么让数字人具备实时互动能力很重要？
因为「千人一面」的AI视频只能播，「千人千面」的直播间才能接住人。观众发弹幕你得回，有人打断你得停，冷场三秒人就划走了。
能互动，才有真实的用户粘性和商业价值
当然了，这个道理行业玩家都懂，但受限于技术，很多AI数字人还停留在「能播不能聊」的尴尬阶段。
你发弹幕它不理睬，你打断它没反应，不说话的时候直接「僵住」或者给你播放循环画面，能做的事也就是念念口播，唱歌跳舞自然就不要想了。
而虎牙VAM 1.0，则基本把这几个槽点挨个回应了一遍
我拿到的内测产品大致长下面这样，可以在首页pick你最想聊的「主播」：
进去后就更像「直播间」了，你可以通过
这里我选了「来自成都的雪儿」。
聊了几轮下来，有几个细节印象挺深的
一开口我就「不小心」打断了对方，结果雪儿反应挺快，很自然就把话题接过去了；
另外呢，作为一个i人，我实在不想让她叫我「宝子」，我告诉她换一个对我的称呼，喊我「小红」就行，然后她真的全程就叫我「小红」了，一次没错过。
而且，在我们聊天的过程中，雪儿全程都不用我来想话题，她会顺着我们聊的内容自己往下延展。聊到成都时我随口问了句「那你会说四川话吗」，她秒回「会呀」，然后直接开始用四川话给我摆龙门阵。
即便在聊天过程中间有过一次误解，我纠正之后她也能重新接上语境，没有死循环，也没有跳到预设话题。
视频地址：https://mp.weixin.qq.com/s/vIizVJWUqz3rlYW3t2UVcA
还有一个很加分的细节来自她的状态
我打字的时候她不会傻站着，会微微侧头、眨眨眼，像在等你说完；我说话的时候她也会轻轻点头，眼神方向跟着你。
而轮到她说的时候，她的表情和内容是相匹配的，聊到开心的话题时嘴角上扬幅度明显变大，情绪感染力十足。
虎牙管这个叫「全状态拟人交互仿真」，能够覆盖静默、聆听、说话三种状态
讲真，能把AI数字人聊天做出这种「面对面」的既视感，私以为虎牙VAM 1.0已经比其他玩家领先不少了。
接着说体验，我和雪儿聊完歌手话题之后，你猜发生了什么？
雪儿还会唱歌跳舞，而且还热情大方地给我这个新朋友展示了一番（中间又演示了一次打断）：
视频地址：https://mp.weixin.qq.com/s/vIizVJWUqz3rlYW3t2UVcA
她的嘴型跟歌词是同步的、肢体动作的幅度和流畅度是自然的，手指也没有出现常见的畸变和穿模。
为了考验她，我还特意反复打开退出了好几次，结果发现她会的歌和舞都不重样，这说明歌舞并非预设模板，而是真·实时生成的。
除了歌舞之外，既然都说到虎牙了，想必你也应该能猜到接下来我要测试什么——
我问雪儿会玩哪些游戏，她提到了狼人杀和塔罗，正好我对星座运势这些话题很感兴趣，于是选了塔罗。
我刚一选定，雪儿就立马丝滑换装进入了「塔罗游戏模式」，开始指引我抽卡，并帮忙解读。
视频地址：https://mp.weixin.qq.com/s/vIizVJWUqz3rlYW3t2UVcA
这种玩法沉浸感不要太强，比看分析文章有意思多了。
喜欢狼人杀的朋友也别着急，我特意去官网围观了一下（本狼人杀黑洞先遁了）。
这个游戏难度比塔罗高出不止一个量级：10个角色同场博弈，每个人要有自己的立场和发言风格，还得互相质疑、投票站队，对多角色协同的要求极高。
整体看下来，泳池派对场景里9个AI角色轮流开麦，互相@点名质疑，有人上来就带节奏，有人全程谨慎试探，不像是共用一套台词。