天猫请AI虚拟人段宴拍广告这件事这两天在内容圈里讨论度很高。真正有意思的不是“AI顶流”这个新包装而是消息扩散后最先反应的群体居然是配音演员。一个广告代言为什么先触动的是声音行业因为大众对AI虚拟人的预期已经变了不再关心它像不像真人而是关心它会不会直接替代某些工作。这个话题很容易被情绪带偏。我更建议把整条产业链拆开看一遍虚拟人怎么被做出来、声音从哪里来、配音演员在担心什么、品牌方到底在赌什么。这篇就按这个顺序写也会把我在AI内容生产里遇到过的边界问题一并放进来。1. 一场广告代言为什么先急的是配音演员1.1 先看清这件事的结构先把这个事件拆开看。它是一个典型的AI虚拟人商业落地案例平台方是天猫代言对象是一个叫段宴的AI虚拟人落地场景是广告拍摄。广告行业用虚拟偶像早就不是新鲜事初音未来、虚拟主播、虚拟KOL都是前例。但这次能被讨论起来有几个不一样的地方。第一这是主流电商平台直接下场让AI虚拟人承担“顶流”角色。平台想把它当作可以长期运营的商业资产而不是一次性的技术演示。第二大众注意力集中在配音演员的焦虑上说明话题已经从“技术能不能做”过渡到“做了之后谁受影响”。第三这个案例的链路足够长角色形象、声音、视频、投放、商业变现每一环都有从业者会关心的问题。所以这篇不是在给“AI会不会取代配音演员”下结论。我更想说的是在这个事件里哪些是真实存在的变量哪些只是被情绪放大的想象。如果你只在热搜上看热闹很容易得出“AI已经全面抢工作”的结论如果你真的上手做过AI内容生产就会知道中间还有大量工程细节需要处理。1.2 为什么率先被看到的是声音而不是脸虚拟人的“脸”是数字生成的从一开始就不存在真人形象权问题。真人演员看到虚拟人更多是“多了一个竞争对手”而不是“我的脸被用了”。但声音不一样。虚拟人虽然没有真实身体却必须有一个声音而好的AI合成音听起来几乎和真人没有区别。对大众来说看到一张CG脸不会立刻产生“我可能失业了”的感觉但听到一段接近真人的AI配音会直接联想到“这个工作我可能做不了”。这就是配音演员反应强烈的原因声音的接近度把替代感变得非常具体。还有一个更现实的原因声音的生产成本很低。一个成熟的AI声音合成系统只需要一段授权录音就能生成可用音色后续每生成一条语音的成本趋近于零。而广告拍摄、3D渲染、视频后期这些环节仍然有设备、渲染、人力等固定成本。内容行业里最先被AI渗透的通常是“边际成本最低”的环节配音正好具备这个特征。1.3 先别急着站队问题比“取代”复杂我看到网上不少讨论直接把这件事当成“AI开始抢工作”的信号。但如果你真的做过AI内容生产就会知道“能生成声音”和“能稳定交付广告级成片”之间隔着一大段工程距离。虚拟人广告要落地至少要解决三件事角色形象能不能在多个镜头里保持一致语音情绪能不能匹配品牌调性以及整条片子的质量能不能达到投放标准。这三件事每一项都需要人工参与和多次迭代。所以更准确的说法是AI并没有直接“取代”谁而是把一个原本需要多人协作的流程压缩成一个人加一套工具就能启动的流程。省下来的不是“人”而是“沟通和等待的时间”。这个判断后面几个章节会展开讲。2. 从“画一张脸”到“拍一条成片”AI虚拟人广告的生产链路2.1 角色设计最难的不是好看而是稳定AI虚拟人的第一步是定形象。现在用AI绘画工具生成一张好看的脸并不难难的是让这张脸在三十秒广告的每一个镜头里都长得一样。发型、脸型、衣服、光线、角度稍微一偏观众立刻会觉得“这不是同一个人”。我的建议是先做角色设定集。用一段描述词生成正面、侧面、半身、全身、不同光线下的参考图选出最稳定的几张作为统一基准。之后每个镜头都围绕同一基准来生成而不是每张图单独描述。生成时尽量固定随机种子和模型版本否则同一句话在不同版本下会跑出完全不同的脸。如果你要做3D虚拟人还需要建模、绑定骨骼、驱动表情。这条路对设备要求高流程长但好处是动作可控适合广告里需要固定走位和产品展示的场景。如果你只是做短视频和营销图2D生成路线更轻先用低分辨率验证分镜确认导演意图后再出高清图能省掉大量无效渲染。2.2 声音生成配音演员的焦虑点就在这里虚拟人定完形象接下来就是声音。这也是配音演员最敏感的环节。目前的AI语音生成主要有两条路线。一条是标准TTS也就是把文案输入大模型选择预设音色直接输出语音。适合产品介绍、电商口播、短视频旁白这类标准化内容。调参重点包括语速、音调、停顿和情绪标记。不同模型情绪标记的写法不一样有的用标签有的用标点控制落地前一定要先看模型的说明文档。另一条是声音克隆。这里必须强调克隆一个人的声音前必须取得本人明确授权并且合同里要写明使用范围。合法合规的做法是让配音演员录制一批专用语料明确这笔录音用于AI声音模型的训练再约定AI生成内容的归属和收益。千万不要在未经授权的情况下使用网上扒下来的音频做训练数据这条线一旦突破项目再漂亮也会变成侵权事故。交付质量上广告级成片对音频有硬性要求。采样率建议不低于44.1kHz响度要符合投放平台的统一标准。如果AI直接输出的声音忽大忽小合成前就要先做响度归一化而不是推到后期去补救。这里最容易踩的坑是听感上觉得“还行”但在手机外放和专业设备上一对比齿音、气息、低频完全不同所以验收时一定要换至少两种设备试听。2.3 视频合成从生成片段到控制分镜形象和声音都定了接下来是把它们合成到视频里。大体上分两条路线。一条是端到端的AI视频生成输入脚本和参考图直接输出动态片段。这类工具现在做“氛围感镜头”很好用比如产品在光影中旋转、人物背影走在街道上。但它的缺点是分镜控制弱很难让角色在指定时间做出指定动作广告里需要精准展示产品的场景就不太适合。另一条是虚拟人驱动方案用真人演员的动作捕捉或者面部捕捉去驱动3D角色。可控性强角色可以说指定台词、做指定动作适合商业广告。缺点是制作周期长、硬件要求高。实际项目里很多团队是两条路线混用大场景用AI视频生成产品特写和人物对话用驱动方案最后在剪辑软件里统一合成。不要一上来就出4K全片。正确的流程是先做低分辨率草稿把所有分镜的节奏、字幕、旁白、产品位置定下来确认导演和品牌方都满意后再进入最终渲染。一条30秒的广告分镜往往有几十个如果每个镜头都在4K下反复重渲靠一台机器根本做不完必须按镜头编号分批渲染并保留每个镜头的版本记录。2.4 本地部署和云工具怎么选工具选择上要看项目对隐私和数据安全的要求。涉及未公开新品、品牌素材或者真实人物授权的语音数据建议优先考虑本地部署方案数据不出内网风险更可控。本地跑AI模型先看硬件条件。通常来说显存8G左右可以跑中等规模的生成模型16G以上跑大模型会更从容要是显存不够就得靠模型量化、降低分辨率、分批任务来凑。这里给的是通用判断具体要以你手里的模型和机器为准。部署前还要确认Python、CUDA、模型依赖库的版本很多启动失败不是模型问题而是依赖版本冲突。如果只是做一次营销活动或者团队里没有专门做部署的人云端工具更省心。按量付费、界面化操作适合快速出片。缺点是数据要经过第三方授权链路和隐私条款要看仔细。另外不管本地还是云端都要保留生成过程的日志和参数记录。以后一旦出现授权争议这些记录就是最直接的证据。3. 配音演员在担心什么不是“声音没了”是定价体系被重排3.1 声音使用权合同里最容易被忽略的部分配音演员的焦虑表面上是“AI会模仿我的声音”本质上是“声音的使用规则没有跟上技术”。传统配音的合作方式很简单一个项目签一份合同约定时长、用途、费用。甲方用完即止演员的声音只出现在合同规定的作品里。AI出现后情况变了。如果配音演员在不知情的情况下自己的声音被用于训练模型那这个模型可以无限次生成近似自己音色的内容覆盖到广告、短剧、直播甚至不了解的领域。这不是“抢单”问题而是“人格声音”的授权边界问题。所以现在行业里比较一致的呼吁是来源授权必须前置。使用真人声音做AI训练必须单独签一份AI授权协议明确三点语料来源、训练后的模型归属、生成内容的使用范围。范围要写具体不能只写“用于AI相关项目”要落到平台、地区、期限、是否可商用、是否可再授权。3.2 哪些配音工作最先被替代哪些反而更值钱讲完风险再讲一个更实际的问题配音行业内部也会分化。标准化程度越高的内容越容易被AI替代。电商短视频口播、产品功能介绍、游戏NPC的固定台词、智能语音提示这些内容重复度高、情绪跨度小AI语音已经能稳定覆盖。在这些细分领域甲方的考量会越来越偏向“成本低、出片快”真人配音的份额可能被压缩。但另一端反而会更值钱需要角色塑造的影视剧配音、需要即兴反应的综艺和直播、需要方言和年龄跨度表现的有声书、需要临场调整情绪的商业大片这些高度依赖人味和判断力的工作AI暂时还接不住。我个人的判断标准很简单如果一个配音项目甲方能给出通稿文案要求“照着念就行”那它大概率会被AI分走一部分如果项目需要配音演员参与创作比如改台词、调情绪、设计角色性格那这个工作的价值反而上升。配音演员真正要守的不是“读稿子”的环节而是“怎么读、为什么这么读”的创作环节。3.3 为什么AI配音听着还行却经不起长时间考验很多人在短视频里听AI配音觉得已经跟真人差不多了。但广告和影视里的配音跟短视频旁白不是一个量级。短视频旁白往往只有几十秒情绪单一AI处理起来很轻松。但一条3分钟的广告、一集20分钟的短剧、一部有声书需要在长时间里保持稳定的角色感、呼吸节奏和情绪递进。AI语音在长时间任务里容易出现几个问题语句之间的情绪断层、重音位置不合理、句子一长就开始“念课文”。这些问题第一次听不明显多听几遍就露馅。遇到这种情况排查顺序是先看文本断句和标点再看情绪标签参数然后换一个更合适的声音模型最后检查是不是采样率和响度被二次压缩导致失真。大部分“AI配音不自然”的问题不是模型能力不够而是前期的文案标注和参数没有按广告级标准走。4. 品牌方和内容团队要用AI虚拟人先把这几个问题处理好4.1 先判断品牌适不适合虚拟人品牌方看到“AI顶流”案例第一反应可能是“这个风口我也要追”。但虚拟人不是万能的先做一道筛选。如果你的品牌核心是“真实、亲切、有烟火气”比如生活服务、社区平台、线下门店一个AI虚拟人可能反而带来距离感。如果你的内容更新频率很高比如每天要出几十条电商短视频虚拟人的生产成本优势就会非常明显。如果你的产品需要展示复杂细节虚拟人反而不如真人演示直观。还有一个现实维度成本结构。虚拟人初期要投入角色设计、声音授权、模型部署和成片流程搭建这些不便宜。但如果内容量大、更新频次高固定资产摊薄后单条成本会低于持续雇人。算账的时候别只看“能不能做”要看“做了多少条之后能回本”。如果连30条都做不满那这个虚拟人大概率是亏的。4.2 合同和授权必须写清楚的条目这是整个项目里最不能省的部分。AI虚拟人涉及至少三方品牌方、虚拟人IP运营方、声音和形象素材的授权方。三方之间如果没有清晰的合同条款一旦开始投放任何一方想调整使用范围都会变成扯皮。授权事项建议写清楚的内容为什么必须写形象授权虚拟人形象是否可以二次修改、是否可以跨平台使用防止形象被改动后偏离品牌定位声音授权用于AI训练的语料来源、训练后模型归属、生成内容的使用范围防止声音被用到合同之外的项目使用期限授权期限、续约条件、到期后存量内容如何处理防止合作结束后素材仍在持续使用区域和平台投放国家或地区、媒体平台列表防止跨区域跨平台使用引发纠纷收益分配虚拟人商业收益的分成方式、结算周期防止合作关系因利益结构不明而破裂责任承担AI生成内容侵权时由哪一方负责处理防止出事后互相推诿审计权是否允许授权方检查使用日志和生成记录防止超范围使用这些条款看起来琐碎但任何一个遗漏在项目跑起来后都可能变成成本。合同不是用来约束合作的是用来在合作出现分歧时快速确定边界的。4.3 加一道人工审核不要让AI直接发布无论AI生成的广告素材多接近完美都建议在发布前保留一道人工审核。审核的重点不是“这个片子好不好看”而是三个问题内容是否合规、产品信息是否准确、品牌口吻是否一致。AI生成内容容易出现看似合理但实际错误的细节比如产品参数念错、专有名词张冠李戴、广告语在特定语境下产生歧义。这些错误在生成阶段很难发现只有人带着品牌语境去审才能拦住。另外还要保留一条回滚机制。如果某条AI生成的广告投放后出现负面反馈要能快速定位是哪一批参数、哪一次生成、哪一个环节出了问题而不是把整条片子重做。我见过不少团队把“AI快速出片”做成了“AI快速出事故”根源就是没有记录生成过程出了事只能全部推翻重来。5. 回到事件本身AI虚拟人广告不是终点而是分工重组5.1 产业链上的角色会怎么变AI虚拟人广告这个事最值得关注的不是某一条广告本身而是它代表的产业分工变化。过去品牌方请代言人买的是“人”的知名度和形象使用权。现在品牌方做一个虚拟IP买的是一套“资产”形象资产、声音资产、内容生产能力。这个区别很关键。真人代言人有自己的档期、团队和舆论风险虚拟IP作为一个长期数字资产可以被持续开发、分授权、跨场景使用。品牌方从“租人”变成“养资产”整个商业逻辑不一样了。对内容工作者来说这意味着工作方式也在变。以前一个广告项目需要对接导演、摄影、演员、配音、剪辑、调色现在很多环节被压缩成“AI生成 人工审核 导演把关”。AI Agent在中间扮演流程调度者的角色把脚本、配音、画面、字幕、审核串联起来。这不是岗位消失而是岗位形态变化原来负责单点执行的人可能要变成会操作AI工具、能判断输出质量、能处理授权问题的复合角色。5.2 给三类从业者的落地建议第一给配音演员。不必急着把AI当成敌人但要开始管理自己的声音资产。录制样音时注意保留版权声明签合同时把AI训练授权单独拎