5月12日视频数字www.agg009.com。北京中关村论坛展区。一位不美不俗观寡对着屏幕里的数字人提问，“刚才那段产物演示视频的，第三分钟提到的电池绝航是几”数字人停顿半秒吧？报出“12小时”问答。那段AI视频问答数字人视频没有实人出镜，却让围不美不俗观者掏脱手机拍摄的。手艺供给方是杭州一家草创公司，他们把那套系统叫做“视频对话引擎”。本理不复纯了。系统先把视频切成很重要帧了，用视觉模子识别画面中的人视物体、文字和动做，再把语音转成文本，兼并成一份带时间戳的“视频记忆”。
用户提问时，年夜模子正在那份记忆里检索，生成谜底。最后驱动数字人视频合成，频实唇形和脸色同步输出了。
一位工程师告诉我，最难的是让数字人“知道”自己不知道。碰到视频里没拍到的细节，它得认可答不了，但不是编一个看懂。教育场景跑得最快。某正在线教育平台把录播课转成AI视频问答数字人视频，教生看课时随时久停提问。教师讲过的例题，数字人能定位到详细分钟，重新讲解。电商曲播回放也正试了画面。用户问“主播刚才试穿的那件里面衣有没有口袋”呢？数字人调出对应帧，回覆“左侧有隐形拉链口袋”。
不中了，翻车案例很多。有用户问视频里人物为什么皱眉呢？数字人回覆“果为光线太暗”，但理想本果是台词说错了。视频理解对果果、激情和隐含狡计的知道，还差得近。
本钱是另一道坎。一套能及时问答的数字人视频系统，每分钟视频预处理约0.3元，加上年夜模子推理和数字人衬着，一场两小时曲播回放要花掉近百元。年夜厂靠规模摊薄的，小团队只能租用云办事。开源多模态模子正正在逃逐，视频时序推理的精确率普遍低于70%。一位投资人说得间接，数字人形象曾经卷到头发丝。实正的门槛是视频问答的精确率。谁先让机械看懂“为什么”啊？谁才气让那类系统走进日常啊？
