低价、可用性、本地化：数字人的性价比是一道乘法题

2026年11月12日，百度世界大会上，百度一镜一次升级三大能力：视频⽣成、微表情、实时互动。解决了视频生成成本和速度问题、数字人AI脸和情绪不到位的问题、还有数字人能不能接得住和持续在场的问题。但落到生意上只有一本账，“做一条视频要花多少钱，一条视频要重做几遍，一个数字人能不能一直说下去。”

整个发布会，市场最关注的可能就是价格。百度一镜视频生成能力把推理成本压到每秒0.2元，生成速度追平播放速度，10秒的视频10秒出片。一条60秒的片子，算力成本12元，还不如一场实拍的场地费，夸张的说甚至都不如前往场地往返交通费用的价格。

以往大家更愿意提价格，但很少有人愿意说破修改的问题，如果一条片子要重新生成五次，按照每秒0.2元的真实成本就是每秒1.2元，但百度一镜的0.2元，是“一次过”的价钱。当然，在深潜atom看来所以这次发布的看点，在于成本数字有多低，但把“一次过”的能力，应用在让脸不僵，让人能一直说话的产品上，同样值得高度关注。

一、RTF过了1，视频就从渲染变成流式

过去两年，受困于技术能力，AI视频的成本结构一直很“笨”。扩散模型靠多步去噪出片，步数、分辨率、时长三者相乘，成本随画质和长度一起涨。很多厂家只能按条报价，因为一条一分钟的成片背后，通常压着几十条废片。

百度⼀镜视频⽣成能力升级这次动了两个乘数，通过对混合扩散蒸馏和稀疏化建模的极致推理压缩，把RTF压到了1以下。

RTF是实时率的缩写，算法是生成耗时除以视频时长。一条10秒的片子，做20秒才出来，RTF是2；5秒做完，RTF是0.5。它衡量的就是生成速度追不追得上播放速度。一旦小于1，视频的交付形态就变了。快于播放，视频变成流式服务，可以边生成边推流，定价逻辑也将发生改变，单位从“条”变成“秒”。

更少被提及的是参考一致性，也成为了新产品的重点。百度⼀镜视频⽣成参考生成先用Ref-SFT建立基线，再用RFT以奖励约束保真，约束项包括参考一致性、表情和画面时序。这件事决定了商品图能不能长成视频里的同一个商品。电商客户最先问的从来不是画质，而是“我的瓶子会不会变形”。

算一笔具体的账，一条60秒的视频，按推理成本是12元；同一支片子走实拍，场地、演员、后期，报价通常五位数起。AI视频这次降的不是价格，是计价的颗粒度。

按条卖，卖的是作品；按秒卖，卖的是水电。作品能溢价，水电只能比价，而比价的尽头没有第二名。另一面是松绑：过去一个好想法要先过预算关，比稿、报价、砍需求；现在一版0.2元，有想法可以直接试。决定片子好坏的，第一次从预算变成创意。

二、一次过，才是可用性，才轮得到便宜

单价降下来只是第一步。一条便宜但没法用的片子，等于把成本从预算挪进了返工里。真正决定“一次过”的，是屏幕里那张脸。

AI脸的问题从来不是清晰度。4K的假脸依然是假脸，因为模型只学会了几个情绪标签，笑、哭、惊、怒，中间那些说不清的表情“想笑又忍住、听完先愣一下再抬眼看人”它没有。所以过去哪怕数字人一个表情能演到底，但表情往往难以复合时下的剧情。

百度⼀镜微表情改的是控制粒度，Long Caption把表演拆成6个维度、200多个子维度来描述，质量Agent在生成结果里做筛选，最后落到AU级的面部动作控制，每秒能呈现8-9个微表情。这个密度意味着表情从“标签”变成了“曲线”。

最能说明问题的是对照。同一句提示词，百度⼀镜微表情给出的表演是“震惊，双眼睁大；茫然，眼神飘忽；审视，抬眼打量”，三层情绪依次落地；另一些视觉模型给出的是一个表情演到底，或者表情对了、时机全错。表演的差别不在像素，在节奏。

短漫剧和视频播客先受益，共同点是人要长时间待在画面里。短漫剧Studio的样片里，男女主角举枪对峙，台词说到“撞死我弟弟的车，是你的”时，眼眶先蓄满，眼泪再顺着脸颊掉下来，哭点和台词节拍对齐；播客则是一张脸对着观众讲半小时。长镜头里人不能僵，一僵观众立刻出戏，短漫剧的产能瓶颈从来不在画质，在于演员能不能演满30秒不崩。

以前的实时数字人做的是局部驱动，换脸、换口型，画面其余部分还是拼上去的，一追问、一打断就露馅。全画幅自回归生成加流式输出，才让整帧连续，各模态与语义对得上。

百度⼀镜实时互动工程上有三道坎。首Token时延决定第一句话来得快不快；误差累积决定播十分钟以后脸会不会飘，靠训练推理一致性优化来压；长期一致性决定人物记不记得住上下文，靠检索式实时交互记忆来兜底。三件事叠起来，才有低于2秒的响应。

2秒要放在正确的坐标里看。真人对话的轮换间隔平均在200毫秒量级，2秒的空白在客服和4S店接待里依然能被感知到。所以百度⼀镜实时互动真正卖的不是拟真，是可用时长，能被打断、能被追问、能7×24小时一直开着。索邦家居旗舰店的直播间里，数字人主播正演示拖把的拆装加长，手上动作没停，弹幕一路滚动。

表情和时延看着是两件事，最后落到同一个数上：一条片子要出几版。表情不到位就得重拍，时延高就得有人补话，两样不写在刊例上，却都进成本。而“一次过”一旦成为默认值，长内容就对机器敞开：短剧敢用长镜头，直播敢整场交给数字人。百度一镜不是省钱的技巧，是机器内容从片段走向整场的门票。

三、短剧出海，转绘抹掉的不是翻译是重拍

“内容出海”这四个字，最贵的一环一直被误认成翻译。翻译便宜得可以忽略，真正烧钱的是重拍：换演员、换场景、换语种，把同一部剧在另一个市场里再演一遍。一部短剧出海，本地化周期常常以月计。

百度一镜推出了短漫剧Studio，从灵感到成片，一站式打造爆款短剧，依托“剧本Agent+成片Agent”协同工作。剧本Agent具备强大的剧本改编能力（如小说改剧本、参考爆款剧转剧），成片Agent则负责生成短剧视频画面。二者结合，让创作者从只有一个灵感，到打造一部具有爆款潜力的短剧，实现全流程一站式生成。

配合“剧本本土化+一键转绘”能力，可实现剧情、人物、场景的本土化适配。转绘在技术上做的是同时迁移，形象、声音、文本、场景等。难点集中在三个地方，口型要和新语音对上，时序不能抖，风格不能在镜头之间漂移。把这三件事做稳，“一键换装、多语种输出”才不是玄学，而是可交付的工序。

这两件事的难度不在模型，在一致性。一部剧有几十个镜头，人物要走形，光要变，服装要换，转绘得在每一帧上维持同一个人的骨相和同一套打光逻辑。滤镜做不到这一点，滤镜改的是像素分布，改不了表演。

与之配套的是剧本本土化，本土化没有通用解，更底层的是一套世界观映射知识库：狼人的世界观里推动剧情的是什么、角色是谁、谁跟谁什么关系、权力握在谁手里，先写成结构，再重新创作；中式的豪门总裁、朝代帝妃按同一结构对位过去，霸总出海，可能就落在吸血鬼身上。

百度一镜现场演示里有一组现成对照：同一场天台对峙戏，中文版台词是“你凭什么扣我的报名表”；转成法语版，分镜节拍原样保留，面孔换成欧洲演员，台词逐句换成法语，连“那你求我”的气口都对得上。国内爆款短剧转成海外版，改的不是字幕，是“这个故事发生在哪里”。出海的门槛，正在从地理问题变成创意问题。

本土化的过程中，从直播开始，到视频的口播脚本，到整个短视频创意，到整个品牌营销TVC的创意，百度一镜都投入了大量的精力和资源，在创意写作上有明显加强。百度数字人创新业务部负责人吴晨霞在接受采访时表示，百度一镜有大几百个编剧在尝试强化创意写作。

商业含义由此变得直接。过去出海是项目制，一个市场一个团队，一部剧一次投入，回本周期长，中小商家玩不起。转绘把“重做一遍”这笔固定成本抹掉之后，出海变成批量复制，本地化周期从月压到天。

电商侧的数据可以佐证这条路走得通。3-5张商品图生成多语种带货视频，配合一键开启本土化直播，方案整体实现成本下降83%、转化率提升29%；某服饰品牌直播间GMV提升40%、转化率提升62%，某运动鞋品牌月GMV提升60%、转化率提升70%。

翻译解决看得懂，转绘解决看得下去。过去一部剧能不能出海，先看本地化预算；现在门槛降了，故事可以直接走进另一个语言市场。好内容的边界，第一次从地理问题变成创意问题。

四、三项一起降，才叫性价比

在技术爆棚的今天，单项优势容易被复制，三项同时下降才构成门槛。单价压到0.2元/秒、表情密度做到每秒8-9个、响应压到2秒以内，再加上转绘吃掉的本地化重做，这条成本曲线才拐弯。

规模侧的数字可以支撑这个判断，百度一镜已覆盖30多个行业，累计合作主播20万，生成数字人内容超过10亿；弗若斯特沙利文咨询联合头豹研究院发布《2026年中国智能体（AI Agent）最佳应用实践》报告显示，百度一镜已连续两年蝉联中国AI数字人市场份额第一、产品综合实力第一。

据内部实践数据显示，一镜团队过去一个需求落地要10天，现在1人1天可以完成；上一个季度，数字人业务人均产能提升2倍，交付周期缩短34.9%。

Global Market Insights数据显示，全球AI虚拟人市场2025年规模为63亿美元，2026年预计84亿美元，2035年将增长至934亿美元。毫无疑问，先受益的是原本做不起的人——卖拖把的店铺、县城的诊所、只有两个人的工作室，过去拍条宣传片要攒预算，现在生成十条也不过一顿饭钱。市场变大不是因为想看的人多了，是因为做得起的人多了。

当单价、返工率、本地化重做三项同时下降，数字人的竞争维度就从“像不像”换成了“单位可用成本”。下一轮比拼不在模型榜单上，在谁能把这三项成本变成稳定交付。

此前，视频是给有预算的人做的；往后，是给有话要说的人做的。一门生意的天花板，不在大客户愿意花多少钱，在有多少人第一次用得起。0.2元/秒改的就是这条线：它把视频从“项目”挪成“动作”，像发一条朋友圈，不像拍一支广告。