在人工智能浪潮席卷各行各業(yè)的當(dāng)下，數(shù)字人（Digital Human）早已不再是新奇概念。從最初的虛擬偶像、發(fā)布會“吉祥物”，到如今能夠在客服、教育、醫(yī)療、文旅等場景中承擔(dān)實際任務(wù)，數(shù)字人的角色正在發(fā)生根本性轉(zhuǎn)變——從“會展示”的視覺符號，進化為“能服務(wù)”的智能交互終端。而這背后，科大訊飛憑借其在語音識別、語音合成、自然語言理解、多模態(tài)交互等領(lǐng)域的技術(shù)沉淀，正推動這一升級進程，并重塑數(shù)字內(nèi)容制作服務(wù)的底層邏輯。\n\n## 一、數(shù)字人進化的兩個階段：從“好看”到“好用”\n\n數(shù)字人的第一階段，核心訴求是“展示”。這類數(shù)字人通常依賴預(yù)先建模和動畫腳本運行，動作、表情、回答內(nèi)容由人工設(shè)定或簡單匹配。它們出現(xiàn)在品牌直播、線上展廳或虛擬發(fā)布會上，主要承擔(dān)情緒引導(dǎo)和品牌露出功能，交互能力和服務(wù)能力非常有限。所以，行業(yè)內(nèi)常說這類數(shù)字人“好看但不好用”。\n\n進入第二階段，數(shù)字人開始具備“服務(wù)”能力。它們能夠識別用戶的語音、理解意圖、實時生成回應(yīng)，并通過口唇驅(qū)動、表情動作合成等實現(xiàn)自然反饋。關(guān)鍵在于三個能力的突破：\n\n1. 聽懂與理解——即便是嘈雜環(huán)境下的方言或口音，也能準(zhǔn)確轉(zhuǎn)錄并理解用戶需求；\n2. 決策與生成——在大模型支持下，生成恰當(dāng)、有用、可信的回答內(nèi)容；\n3. 有多模態(tài)表現(xiàn)力——通過驅(qū)動到面部的細小肌肉級口唇與表情，讓交流自然擬人。\n\n從這個角度看，“會展示”是視聽效果的躍升，“能服務(wù)”則是智能交互的質(zhì)變。數(shù)字人不再只是媒介，而是服務(wù)的直接參與者。\n\n## 二、科大訊飛的技術(shù)切入：讓數(shù)字人“能聽會說、能理解、會思考”\n\n科大訊飛長期深耕智能語音與人工智能領(lǐng)域，其技術(shù)優(yōu)勢恰好落在數(shù)字人升級的必備能力層上。\n\n首先是語音交互底座。得益于其在語音識別、語音合成與語音評測上的積累，數(shù)字人能夠?qū)崿F(xiàn)低延遲的拾音、遠場降噪和自然的實時回應(yīng)。更關(guān)鍵的是，在少數(shù)方言甚至混合方言場景下，準(zhǔn)確性使得服務(wù)可以下沉到更廣泛的地區(qū)和人群。\n\n其次是包括自然語言理解、知識圖譜和星火認知大模型在內(nèi)的理解系統(tǒng)，使得數(shù)字人能真正“理解