在人工智能浪潮席卷各行各业的当下，数字人（Digital Human）早已不再是新奇概念。从最初的虚拟偶像、发布会“吉祥物”，到如今能够在客服、教育、医疗、文旅等场景中承担实际任务，数字人的角色正在发生根本性转变——从“会展示”的视觉符号，进化为“能服务”的智能交互终端。而这背后，科大讯飞凭借其在语音识别、语音合成、自然语言理解、多模态交互等领域的技术沉淀，正推动这一升级进程，并重塑数字内容制作服务的底层逻辑。\n\n## 一、数字人进化的两个阶段：从“好看”到“好用”\n\n数字人的第一阶段，核心诉求是“展示”。这类数字人通常依赖预先建模和动画脚本运行，动作、表情、回答内容由人工设定或简单匹配。它们出现在品牌直播、线上展厅或虚拟发布会上，主要承担情绪引导和品牌露出功能，交互能力和服务能力非常有限。所以，行业内常说这类数字人“好看但不好用”。\n\n进入第二阶段，数字人开始具备“服务”能力。它们能够识别用户的语音、理解意图、实时生成回应，并通过口唇驱动、表情动作合成等实现自然反馈。关键在于三个能力的突破：\n\n1. 听懂与理解——即便是嘈杂环境下的方言或口音，也能准确转录并理解用户需求；\n2. 决策与生成——在大模型支持下，生成恰当、有用、可信的回答内容；\n3. 有多模态表现力——通过驱动到面部的细小肌肉级口唇与表情，让交流自然拟人。\n\n从这个角度看，“会展示”是视听效果的跃升，“能服务”则是智能交互的质变。数字人不再只是媒介，而是服务的直接参与者。\n\n## 二、科大讯飞的技术切入：让数字人“能听会说、能理解、会思考”\n\n科大讯飞长期深耕智能语音与人工智能领域，其技术优势恰好落在数字人升级的必备能力层上。\n\n首先是语音交互底座。得益于其在语音识别、语音合成与语音评测上的积累，数字人能够实现低延迟的拾音、远场降噪和自然的实时回应。更关键的是，在少数方言甚至混合方言场景下，准确性使得服务可以下沉到更广泛的地区和人群。\n\n其次是包括自然语言理解、知识图谱和星火认知大模型在内的理解系统，使得数字人能真正“理解