161万人围观:Sessions这个AI数字人,会打断你说话

想象这样一场视频会议。

对面的人向你提问，你回答到一半，它打断你："这个回答太绕了，客户听不懂。"会议结束，它给你打了个分：73分，附三条改进建议。

它不是人。它是AI。

这不是概念。10月1日，英国AI视频公司Synthesia上线了一个叫Sessions的平台：双向互动数字人。你说话，它接话；你跑题，它把你拉回来；你讲完，它给你打分。

注意措辞——"上线"指的是Sessions平台正式推出；下文公司估值、营收、客户数等数字，均为公司口径。

译文：Sessions是一个新平台，互动数字人在这里为你提供辅导、访谈与指导

它到底能干什么

首发两种模式。第一种叫Roleplay，角色扮演。

玩法是这样的：销售要去见客户，先跟数字人练一遍。数字人扮演难缠的客户，会质疑、会压价、会突然打断。你对付过去，它当场打分：语气、表达清晰度、异议处理，一项一项列出来，还告诉你哪句说砸了。

第二种叫Survey，把问卷变成访谈。

以前做用户调研，发问卷回收率惨淡，一个个打电话聊又聊不过来。现在让数字人当访谈员：一天面100个客户，问到关键处还会追问，最后交回来的不是录音，是结构化的结论。

第三种叫Expert Sessions，官方说"即将推出"——字面意思是专家分身答疑，细节还没公布。

翻译一下技术栈，一共五步，全是大白话：

第一步，你说话，实时转成文字；

第二步，大语言模型想：这句话什么意思，该怎么回——带着公司的规矩和话术；

第三步，用克隆好的声音把回复"说"出来；

第四步，数字人的嘴、表情、手势实时跟上；

第五步，聊到一半它还能动手干活：约个会议、填张表单，不只是动嘴。

Synthesia给了两条路：想自己搭，用Interactive Avatar API；想开箱即用，用Sessions平台。企业级安全（SOC 2、GDPR这些）是标配。

译文：从输入到互动的技术管线——你说话，声音被实时转成文字；大语言模型是Agent的大脑，负责理解与回复；回复以数字人的克隆音色合成；数字人的口型、表情、手势实时渲染；Agent还能约会议、填表单，不止于聊天。

最有意思的一点：培训第一次有了"成绩单"

这是整个故事里最值得玩味的一笔。

企业培训是个3600亿美元的市场（行业口径），但有个几十年没解决的尴尬：钱花了，人到底学会没有，不知道。

Synthesia CEO Victor Riparbelli在采访里给了两个数字：78%的学员练完一次会主动要求重练一次；重练的人里，83%第二次分数提高了。

注意措辞——这是CEO口径，不是第三方审计。但即便打个折，方向也是新的：以前的培训视频，看完就完了；现在的roleplay，每一次回答都被记录、被打分、被复盘。

翻译一下：数字人解决的不是"没人讲"，而是"不知道学没学会"。成绩单，才是企业愿意掏钱的东西。

X上的官宣帖，161万播放。评论区最高赞的几条，画风很一致：HR和销售负责人在问——什么时候能给我们公司用。

看看对手：这不是一个人的独角戏

格局要拉开看。双向数字人，Synthesia不是第一个入场的。

HeyGen早就有LiveAvatar：实时双向对话数字人，独立站点运营，按分钟计费。9月份，HeyGen还把一套实时avatar技术栈开源了（MIT协议），等于把"造双向数字人"的能力直接送给了开发者。

D-ID的Agents走另一条路：WebRTC实时流数字人，嵌进网站当客服，支持知识库和webhook。

翻译一下格局：单向视频（你输入文字，它输出视频）这条路已经挤满了人；头部玩家集体掉头，赌的是下一条路——双向、实时、能办事。Synthesia的Sessions，是这个转向里"平台化"走得最远的一次：不只给你技术，还把"销售陪练""客户访谈"这些具体场景打包好了。

译文：Synthesia介绍Sessions——会辅导、会访谈、会指导的互动数字人：和全公司一对一谈话，一天访谈100位客户，一次培训1000名销售。把它想象成视频通话，只不过对面坐的是一个Avatar。

这家公司，凭什么赌这一把

Synthesia，2017年成立，英国公司。创始人Victor Riparbelli是个连续创业者。

今年1月，它融了2亿美元，谷歌风投GV领投，英伟达和Accel跟投，投后估值40亿美元——一年翻了一倍（公司口径）。

有意思的是CEO当时说的一句话：公司已经战略性放弃了消费级广告市场（以前还给梅西做过虚拟形象），all in企业级。ARR（年度经常性收入）突破1亿美元，客户包括微软、福特、瑞银这些（公司口径）。

翻译一下这笔账：2亿美元融资时就说了，钱要砸向"新一代交互式音视频智能助手"——10月1日的Sessions，就是那笔钱交出的答卷。剧本，9个月前就写好了。

这次Sessions的发布者是CTO Peter Hill：前游戏公司Wildlife Studios的CEO，在亚马逊和AWS干了25年，做过Kindle、Fire、Alexa。管过硬件、管过云，现在来管数字人。

写在最后

过去几年，数字人=照稿念的漂亮脸蛋，核心能力是"像"。从今天起，核心能力变成了"接得住"：接得住你的话，接得住你的跑题，接得住你的追问。

最后留三个问题：

第一，当数字人开始给你打分、教你做事，企业的培训部、销售部，第一个被重构的会是谁？

第二，HeyGen开源、Synthesia平台化，技术门槛下来之后，"双向数字人"会不会像当初的单向视频一样，迅速变成白菜价？

第三，视频会议对面坐着AI这件事，从"新鲜"到"日常"，需要几年？

参考资料

Synthesia官方博客《Sessions is a New Platform Where Interactive Avatars Coach, Interview and Guide》