7月18日，2026世界人工智能大会（WAIC）腾讯AI应用创新论坛在上海成功举办。虎牙公司董事长林松涛出席论坛并致辞，他表示，真实场景是AI价值的第一现场，终端是AI普及的“最后一公里”。当前模型能力的差距在收窄，但工程化的差距在拉开；AI普惠的标志不是最强的人变得更强，而是普通人用AI不再普通。随后，虎牙公司CEO黄俊洪的演讲则为这一理念提供了来自游戏娱乐场景的具体注脚，虎牙自研的实时多模态数字人VAM1.0，正是在一个真实的、7×24小时运转的场景中生长出来的AI应用。
一张照片生成一个虚拟人
沙利文最新报告数据显示，中国数字人赛道年复合增长率达52%，约为全球增速的1.5至2倍，亚太是最大的增量市场。但多数数字人仍停留在照着脚本念的阶段，能说不能听，能输出不能互动。黄俊洪认为，数字人从展示型产品走向实时交互型应用，需要同时解决稳态、拟态和动态三类问题，即长时间生成不崩、表情动作足够自然，以及能够实时聆听、实时反馈、实时互动。
此次亮相的VAM1.0，正是虎牙围绕上述行业痛点打造的最新技术成果。作为基于DiT架构的实时多模态数字人基础模型，黄俊洪一句话概括其能力：“给它一张静态照片，它还你一个能实时说话、实时聆听、实时反应的虚拟人。不是预渲染，不是录播，是每一帧都在线生成。”
VAM采用三段式训练体系：一阶让它稳，通过多参考帧加运动帧锚定形象；二阶让它真，利用偏好优化算法在多目标间找到平衡；三阶让它快，推理步骤大幅压缩并引入自纠错机制。“总结来说，就是让它不崩，让它好看，让它省钱”，黄俊洪表示。性能方面，在同等推理集群下，VAM达到每秒36.4帧、首帧1.3秒，四项核心指标全面领先且算力开销更低。
黄俊洪特别强调了VAM的交互特性，原生覆盖静默、聆听、说话三种状态。用户说话时数字人点头注视，停下来它自然接话，打断它立刻反应，弹幕和语音双通道驱动。在他看来，这是虎牙的场景优势：“大多数模型只学过怎么说，没学过怎么听。虎牙泡在直播间十几年，观众不会等你说完再发弹幕。场景，倒逼出了技术。”
据悉，VAM后续将分阶段持续迭代，在推理效率、模型表现力和成本优化三个方向同步推进，最终实现多模型融合与低成本人物风格定制。
技术杠杆撬动增长从“看别人玩”到“和AI一起玩”
虎牙深耕直播十数年，弹幕、打赏、语音连麦等交互基础设施与海量主播的视听数据每天都在反哺模型。从2019年HERO平台一路走到VAM 1.0，公司已在游戏发行、直播、广告等场景实现全业务线闭环。“为了实现今天的能力，我们也是一直在做时间的朋友。”黄俊洪表示。
目前，VAM已在虎牙平台落地多个核心场景：比如基于AI实时生成的唱跳互动，不用固定模板，换装不黑屏；数字人原生狼人杀、塔罗牌等陪伴式互动内容，切换游戏模式全程无缝；真人主播的数字分身或数字助手，帮主播接弹幕、带气氛，以及24小时不间断游戏道具带货。
在黄俊洪看来，过去十年直播内容全靠真人主播撑起来，但多模态数字人更深地融入全天候直播、赛事解说、才艺陪伴这些场景后，内容供给将从线性走向指数，边际成本随规模持续下降，“成本结构随之改善，利润空间自然打开。这是技术杠杆，一旦撬动，增长就不再是加法，是乘法。”
在游戏发行层面，VAM将通过超拟真的数字人生态直播矩阵，凝聚全网海量用户，为虎牙内容营销驱动游戏发行的模式提供更大基础支撑，覆盖从获量到留存的完整链路。从直播间到游戏产业链，从成本结构到增长方式，黄俊洪表示，过去十年虎牙是“看别人玩游戏”的地方，未来十年要成为“和AI一起玩游戏”的地方。
盈立证券提示：文章来自网络，不代表本站观点。
