Synthesia 推出 Expressive Avatars：让 AI 数字人带上喜怒哀乐

你看过那些企业培训视频里的 AI 数字人吗？身体僵硬，嘴唇机械地一张一合，眼神空洞得像在看虚空。只要看上三秒，大脑就会拉响警报告诉你：这是假的。

专做企业视频生成的独角兽 Synthesia 刚刚向这个痛点开了一枪。这家公司在 4 月 25 日推出了名为 Expressive Avatars 的新一代数字人，号称是全球首款完全由 AI 生成的虚拟形象，不仅嘴形对得更准，还能根据文本内容做出笑意、悲伤或激动的微表情。

告别剪刀胶水，让 AI 现场「演」出来

过去的虚拟主播之所以假，问题出在底层技术上。

以往的做法更像是数码剪贴画：让真人演员在绿幕前录下一大堆表情和口型碎片，系统读到文字后，再把对应的画面迅速拼接起来。这种拼凑出来的面部动作，自然免不了卡顿和呆滞。

Synthesia 这次换了思路。新版数字人是基于预训练大模型即时生成的，AI 直接学习人类微表情的多模态分布规律。

首席执行官 Victor Riparbelli 坦言，现在的效果还没达到百分之百完美，但人类脸部肌肉极难用规则去描述的细微运动，深度学习网络已经能摸索出模式并重现出来。他预计到今年年底，逼真程度会达到让人惊叹的地步。

至于下一座难翻的大山，则是整个生成式 AI 领域的通病：手部动作。Riparbelli 直言手部实在太难做了。

避开大众舆论场，死磕企业内部场景

和 OpenAI 既做大众工具又卖 API 的打法不同，Synthesia 从一开始就紧盯着企业级市场，专门用来做员工培训、客户引导和营销视频。

在发布这次更新之前，已经有 20 万名用户利用该平台的 225 个旧版数字人，用 130 种语言制作了超过 1800 万个视频。包括 Zoom、BBC 和杜邦在内的大企业都在为这项服务掏钱。

这种克制的商业定位也算是一种自我保护。Synthesia 的技术此前曾被滥用，比如被用来制作委内瑞拉的政治宣传视频，或是在社交网络上散播虚假新闻。

为了筑起防线，Synthesia 上个月更新了使用政策，除了扩充安全团队和加强对恶意账号的早期排查，还在测试 C2PA 等内容凭证技术，试图给 AI 生成的画面打上防伪防篡改的烙印。

公司在 2023 年 6 月拿到 9000 万美元融资时，估值就已经达到 10 亿美元。Riparbelli 表示目前没有新的融资计划，但随着视频即时生成对算力消耗的攀升，跑大模型的账单显然不会便宜。

为什么重要

我们认为，Synthesia 这一步走得很聪明，它避开了 Sora 这类通才型视频模型的正面战线，专注在企业最愿意掏钱的细分领域把体验做到极致。

对于需要经常制作多语言员工培训、跨国产品说明的企业来说， Expressive Avatars 能大幅降低真人出镜和反复重拍的高昂成本。稍微带点人味的讲解员，确实能显著提高员工把视频看完的概率。

不过，值不值得立刻把所有视频库推倒重来，现在看来还有待观察。虽然面部表情有了情绪，但肢体和手部动作依然存在局限，如果只是一张会笑的脸悬在僵硬的躯干上，看久了依然会落入恐怖谷。

更深层的隐患在于安全合规。AI 数字人越像真人，伪造高管指示进行商业诈骗或混淆视听的风险就越高。Synthesia 接入 C2PA 固然值得肯定，但只要生成的内容能被录屏或翻拍，企业在采购这类工具时，依然需要把内部审核流程卡得更严。