Synthesia 给记者做了个数字分身：实测看到了什么

9 月 26 日，TechCrunch 记者 Dominic-Madori Davis 发了一篇体验文，记录她在 Synthesia 纽约新办公室里做了一个自己的交互式数字分身。这是 Synthesia 第一次给记者做数字分身——之前只给自家公关负责人 Alexandru Voica 做过。Davis 的数字分身只回答与她写过的那篇报道相关的问题（《为什么风投支持的创业公司比非投支持的更可能欺诈》），问别的事它会把话题拉回去。

这个实验的价值在于它把”AI 数字分身替高管答媒体”这件事从产品演示推进到真实媒体试用，能让读者看到三个边界：技术目前能做什么、媒体读者怎么看、企业打算怎么用。本文按 TechCrunch 的原文事实重新组织，不夸大也不缩小。

数字分身的真实技术栈：4 个模型 + 可替换组件

TechCrunch 记者的体验文里写得很明确——这次交互式分身不是单一模型，是 4 个模型按管道拼装：

用户语音 → 语音转文本 → agentic 语言模型 → 文本转语音 → Synthesia 视频模型

每个环节都可替换：视频和语音模型可以选 Synthesia 自家产品，也可以选 Cartesia、ElevenLabs、Google 或 OpenAI 的；企业还可以选择自建云部署，或者让 Synthesia 托管。这种”管道化”的设计意味着 Synthesia 卖的不是单一产品，是可以拼装的视频生成服务——这种定位解释了为什么他们的官网（synthesia.io）把自己定位为”The AI video platform trusted by 90%+ of the Fortune 100″。

Davis 制作的流程也很直接：在 Synthesia 纽约办公室里的迷你摄影棚拍了几十张照片 + 录了 2 分钟的语音，Synthesia 团队花了几天时间做出来。她同时拿到了两种分身：一种叫”personal avatar”（输入脚本、avatar 重复念），一种叫”interactive avatar”（能听用户说话、回答预设范围内的问题）。前者是过去常见的”数字主持人”，后者是这次的新闻点。

它能扛住追问吗？Davis 实测的边界

Davis 的实测里，提问超出范围会被绕回去。她问”加入 TechCrunch 之前你在哪里工作””住纽约哪个区”，数字分身每次都把话题拉回她写的那篇欺诈报道。她的父母也试了，问”只有他们知道的”个人问题——同样被绕回去。Davis 的妈妈开玩笑说：”我不记得生了你两个”。

这种”deterministic”行为（按 TechCrunch 原文措辞）是设计选择，不是 bug。Synthesia 在训练时只给它喂了一篇报道的 Q&A 语料，超出范围的提问统一引导回原话题。对企业来说，这意味着不用担心 AI 替高管说错话；对记者来说，意味着你永远不能从它那里得到额外背景——一个真人发言人在被问”你之前在哪工作”时会自然回答，这个数字分身不会。

Davis 自己在文章结尾做了一个判断：数字分身不能替代真人记者。她列的理由是新闻业的核心是”信任”，而信任不能外包给 AI；以及她作为 Gen Z 对数字分身的”科幻感”本能抗拒。但她也指出，对企业培训、销售练习、客户首问这些不需要信任溢出的场景，数字分身是合理的。

三家公司的对照（按各自官网定位）

这张表的所有信息都来自三个公司各自官网的 description——没有二手转述。Synthesia 走”企业 + 多语言”路线，D-ID 走”自然用户界面 / 视觉 AI agents”路线，HeyGen 走”内容创作 / 个人化视频”路线。三家目前没有一家把”替高管答媒体”作为重点场景——Synthesia 给记者做数字分身这件事更像是技术能力的展示，而不是产品主线。

反方：这件事真正让人不安的地方

Davis 文章里最后一段，记者朋友的反应——“既有趣又瘆人”——和 Davis 妈妈的”太神奇了”形成对比。这两个反应值得拆开：

一、AI 客服的范式问题没解决。 Synthesia 的交互式分身走的是”严格边界”路线——给它一个语料范围，超出范围就拒绝回答。这听起来像带视频形象的 FAQ 机器人，本质上和”AI 客服”是同一个问题。Synthesia 的优势是 deterministic 设计、降低了越权风险；劣势是灵活性远低于真人。对企业来说这是个权衡，但这条路线对 AI 客服解决不了的”无法回答新问题”短板没有本质改善。

二、新闻源的可信度问题没人回答。 当一个采访对象的回答来自他的数字分身，媒体引用时要不要注明”这是数字分身说的”？目前没有行业惯例。如果某篇报道里 CEO 说”我们今年目标增长 50%”，读者会默认这是真人观点——但如果这句话其实来自数字分身预设 Q&A，相当于把公关稿伪装成了采访。Davis 在文章里提到，Synthesia 也提到这条用例的边界（”outside of Voica, first journalist”），但具体规范还没建立。

三、Q&A 训练集的来源决定了对话的”立场”。 数字分身替高管回答问题，背后的 Q&A 内容由谁来写？通常是 PR 团队。这意味着你问的问题其实是在跟 PR 团队对话——只是加了一层”数字人”的拟人化滤镜。这跟”AI 客服 = FAQ 数字化”是同一个问题，只是现在有了脸和声音。

现在能拿来做什么，最好别拿来做什么

Davis 的文章里给出了几个应用方向，结合 Synthesia 三类产品的能力，可以分两类看：

适合做的（按 Synthesia 官方三类产品对应）：

• 企业培训视频：用经典 avatar 把 PPT 文档转成多语言讲解视频
• 销售演练：用 Sessions 平台让新销售对 AI avatar 练习 pitch
• 客户首问：把现有客服 FAQ 套上一个视频形象

最好别做的（Davis 自己在文章里也提了）：

• 媒体采访：缺乏对未预设问题的应对能力，会直接破坏”采访”的形式
• 危机沟通：危机需要临时判断和情感表达，deterministic 的数字分身做不到
• 法律 / 合规对话：承担责任的主体必须是真人，AI 发言不能替代签字

下面这段是把上面 4 类企业的对话成本做一次简单的预算推算——这是工程上的估算，不是 Synthesia 官方定价：

# 假设一次 30 分钟的交互式数字分身对话
# 单价仅作示意，按市场公开价大致估算
语音转文本（用户输入）：约 30 分钟 × $0.006/分钟 ≈ $0.18
agentic 语言模型（响应推理）：约 30 分钟 × 60 次问答 × 200 token × $0.01/1k token ≈ $3.60
文本转语音（生成回答）：约 30 分钟 × $0.05/分钟 ≈ $1.50
视频模型（合成口型/表情）：约 30 分钟 × $0.20/分钟 ≈ $6.00
─────────────────────────────────
合计：约 $11.28 / 30 分钟 ≈ $0.38 / 分钟

# 跟真人高管对比
# 高管平均时薪 $150 估算（公开市场调研口径）
# 30 分钟 = $75 + 准备时间
# 数字分身价差：约 $64 / 30 分钟 / 单次会话

这条算式的意义不是”数字分身便宜”，而是”贵到不值得滥用，便宜到可以试错”。$11 一次的会话成本，比传统人工便宜得多，但也不是免费——这意味着企业有动力把它用在合理场景，而不是所有对话都塞过去。

FAQ

Q：Synthesia 的交互式数字分身对个人开放吗？
Synthesia 官网 目前主要面向企业客户。个人用户要制作自己的数字分身，需要通过企业账户订阅，按账号/分钟计费。具体定价以官网最新页面为准，本文不引用具体数字以免过时。

Q：能不能离线部署 Synthesia 的模型？
TechCrunch 的报道提到 Synthesia 支持企业私有云部署。具体的私有化能力（数据是否本地保留、模型权重能否下载）以商务谈判和官方合同条款为准，本文无法核对。

Q：为什么数字分身不能完全替代真人受访？
以 TechCrunch 记者 Davis 的测试看，不能。她的数字分身只能回答预设范围内的问题，超出范围会回避。这跟”AI 客服”的体验一致——边界明确，但灵活性远低于真人。

Q：真人采访 vs 数字人采访，未来会怎么分？
Davis 文章里只展示了数字分身的 deterministic 边界，没有讨论”是否有编辑权”作为区分线。Davis 本人结论是新闻业的核心是”信任”，而信任不能外包给 AI。这条界线目前没有行业共识。

Q：这种数字人技术对诈骗有什么风险？
这是 Synthesia 等公司目前没有公开讨论的反方。理论上任何”看起来像真人”的视频生成工具，都可能被用于冒充当事人发言。Synthesia 在 ToS 里写了禁止这类用法，但没有技术手段阻止。

参考来源

• TechCrunch: I created an interactive digital avatar of myself — 本篇主要依据，记者 Dominic-Madori Davis 一手实测
• Synthesia 官网 — 公司定位与三类产品（经典 avatar / Sessions / API）
• D-ID 官网 — 公司定位与 NUI 概念
• HeyGen 官网 — 公司定位与视频生成产品