40 人团队年收入 3500 万美元：HeyGen 把 AI 数字人做成了生意，不再只是演示

Nathan Labenz 主持的 The Cognitive Revolution 开场白，是由他自己的 HeyGen 数字人朗读的。整个安排还要更离奇。录制时，Joshua Xu 的视频画面看起来正常，后来才发现已经损坏。团队考虑只发布音频。后来他们用 HeyGen 自家的数字人产品，根据逐字稿重新生成了 Xu 这一侧的对话，并剪进了节目里。开场之后，Labenz 和 Victor Lazarte 是真人出镜，Xu 则是数字分身。Labenz 评价说，效果好得惊人。一家做 AI 口播数字人的公司，用这款产品挽救了自己在播客里的露面。这样的演示很难设计得更干净了。

这次噱头背后的生意已经过了新鲜劲儿。Labenz 指出，Sora、谷歌的 Veo、快手的 Kling 和 Runway Gen-3 一直在用通用视频模型占满信息流，但这些工具在日常工作里仍然笨拙、不稳定。HeyGen 没有卷入基础模型的军备竞赛，而是聚焦于实用的商业视频：质量、一致性和可控性。它自己组装数字人模型，并配上一流的脚本写作和文本转语音能力。公司现在服务超过 4 万家企业，年收入 3500 万美元，员工约 40 到 50 人。Benchmark 最近投资了 6000 万美元，领投这一轮的是 Lazarte。Lazarte 是 Benchmark 的普通合伙人，此前是巴西手游公司 Wildlife Studios 的联合创始人。

Labenz 曾在 Waymark 把 AI 用于视频制作三年。他说，这次对话提醒人们，不要只把今天的广告做便宜，而要想得更大。Xu 和 Lazarte 谈到了翻译成多种当地语言、个性化细化到单个观众，以及从录制好的片段转向实时互动数字人的即将到来的转变。信任与安全不是附录。在很多 AI 应用对滥用视而不见的时候，Labenz 把 HeyGen 的同意机制和防冒充体系列为行业领先，并邀请喜欢突破护栏的听众，一起帮他对更多产品做红队测试（red-team）。

Xu 的职业经历离不开 Snap。2014 年到 2020 年底，他先是搭建广告系统，帮助广告主在 Snapchat 上获得投资回报，之后转到 AI 摄像头团队。2018 年时，还没有叫作“AI”的消费品类，但已经有了生成对抗网络（GAN）：计算机能生成一张并不存在的东西的图片，而且看起来很逼真。站在这个前沿上，他感觉这项技术会改变人们创作内容的方式。

他认为，过去 10 到 15 年的内容平台，是搭上了手机摄像头普及的顺风车。iPhone 4 让 Instagram、Snap、TikTok 和一代创作者都有了机会。做摄像头软件时，他仍然看到同一个瓶颈：很多人用手机镜头拍不出好内容。他们害羞，没有时间，或者不擅长表演。如果能替换掉这个部件，也就是替换掉摄像头，就能让每个人都讲述视觉故事。HeyGen 于 2020 年 12 月成立，正是基于这个想法：用 AI 生成视频，而不是请人去拍。

Labenz 提出了一个带着怀疑的问题：内容已经泛滥，究竟还需要多少视频？Xu 从消费端给出的回答是：需求旺盛。按他的说法，人们生活在一个以视频为先的世界里，YouTube 每天被观看的视频时长超过 10 亿小时。他的特斯拉出了问题时，他没有翻说明书，而是去搜了一段视频，因为视频更容易消化。每家企业都想做更多视频。限制在于视频很贵。HeyGen 要做的，就是让企业的产出速度跟上客户已经在观看的速度。

他把用途分为三类：制作、本地化和个性化。制作：选一个现成的数字人（avatar），或者克隆自己，套用模板，输入脚本，就能生成产品讲解、演示、公告或培训片段。现成的数字人是一种引导用户上手的手段，不是终点。人们先试用这项技术，检验内容是否有效，然后再克隆自己，围绕这个数字分身（digital twin）建立品牌形象。本地化是真正的突破口。上传一段现有视频，HeyGen 就能把它改成多种语言，同时保留原说话人的声音和表情，口型也和新音频对得上，即口型同步（lip-sync）。传统本地化要请配音演员，每分钟大约 10 到 20 美元，协调要花几天甚至几周，而且听起来仍然像配音。他说，HeyGen 的版本便宜 10 倍以上，快约 100 倍，而且它是第一个让人感觉像原生语言的译制版本。过去人们更喜欢原声加字幕，口型同步改变了参与度的计算方式。有专门本地化团队的大公司，已经用它把工作量、成本和时间都压缩了 10 倍以上。Labenz 做了个粗略估算：100 条产品视频翻译成 100 种语言，就是 1 万条视频。按老办法，你根本不会去做。在 HeyGen 的模式里，成本就是 GPU 时间。

个性化是较新的做法。邮件里早就会写“hey Nathan”了。HeyGen 在尝试视频版的个性化。名字只是起点，内容本身也可以变。有一位客户生成了超过 10 万个个性化视频，作为感谢信发给了员工。HeyGen 是一个通用型平台，覆盖营销、销售、学习与发展、本地化等场景，客户从小企业到财富 500 强企业都有。大约 1% 的用户是专业剪辑师，他们把 HeyGen 的素材拿到 Adobe 或 Final Cut 里，用来代替摄像机。另外 99% 的用户以前从没做过视频，拍摄和剪辑都在 HeyGen 里完成。Xu 举的需求扩张的例子最有代表性：一家公司每月需要 100 条视频，可能只会用 HeyGen 做 10 条发言人广告。把这 10 条做得又便宜又快，它们就不会停在 10 条，而是会做到 100 条。更好的工具会替代旧的工作量，同时扩大需求。

Labenz 把话题引到恐怖谷（uncanny valley）上。广告观众半秒钟就会划走；而强制要看的企业培训视频，不管讲者多无聊，都会被看完。我们是还在谷底，正在爬出，还是要看具体的工作？Xu 把答案一分为二。对外的营销和广告质量门槛要高得多，因为品牌会投入真金白银。就单纯的相似度而言，很多情况下已经翻过了恐怖谷：看看他自己的一些数字人，你大概分不出是数字人还是真人。这已经不是最难的问题。

人们之所以看视频，而不是读文字或听音频，是因为视频更能吸引注意力。问题在于，什么能让视频更吸引人。对话的流畅感很微妙，但很关键。自然的手势，也就是用手势配合表达观点，仍然很难做好。情绪是第三部分：同一句话，语气不同，意思就不一样。这些正是 HeyGen 仍在攻克的地方，也是高端对外广告的瓶颈所在。Labenz 认为这种重新定义很有深度。一年或 18 个月前，早期视频模型带有一种迷幻、波动的超常刺激感，有点像那种能点亮视觉模型里单个神经元的怪异输入。大家都在追求逼真，却忘了卡通也很受欢迎。逼真的视频只是通向吸引力的一条路，不是唯一能赢的形态。

Lazarte 来自游戏行业。他认为，逼真程度并不是最重要的，参与度才是。只要有得选，人们本来就会选视频。在 Wildlife Studios，用户获取从静态广告转向视频广告，公司每月大约有 1 亿次视频观看。转化率是攸关生死的关键指标（KPI）。在他的经验里，能转化的视频，关键在于团队能测试大量变体。测试的关键，是把价格降下来，把迭代速度提上去。这正是 HeyGen 为企业做的有力之处：更便宜、更快的片段，意味着你能尝试多得多的东西。作为投资人，最让他兴奋的是产品迭代速度，而不是某种成型的美学。以 Streaming Avatar 为例，这是一种能和你实时对话的数字分身。ChatGPT 让和机器人对话变得可能，但打字并不是最好的方式；GPT-4o 加入了语音；下一步是视频通话。他说，HeyGen 在这方面有全球最好的产品，而且别人都没有这项技术。企业会拿它做什么，还不得而知。虚拟朋友和宠物只是猜想。卡通数字人已经在其中。这些才刚刚起步。

Labenz 对眼下这种个性化有些反感。如果老板发来的 AI 视频只是把他的名字填进去，他会很沮丧。在他见过的大品牌项目里，团队一开始都很喜欢这个想法，然后就开始畏手畏脚：前 100 个名字，然后是“嗨，朋友”，也许再加一个水电账单金额，几乎没有哪一项真的需要用到模型。Xu 说，只盯着名字这个变量看个性化，仍然是很狭隘的视角。视频可以即时生成，内容本身也可以变化：信息、故事、切入角度都能变。20 年来，看同一个视频的两个人，必须看同一版，就像所有人都坐在同一个影院里。其实没必要这样。一条有 1 亿次观看的视频，会被优化成“大多数人大概会喜欢的版本”，而每一次迭代都会牺牲掉一部分人。如果给每一个进来的观众提供不同版本，你就能去寻找全局最优，而不是折中的大众众数式结果。两项技术必须同时存在：高度个性化，以及即时生成。Streaming Avatar 只是起点。终态是把整段视频，包括生成过程，一起流式传输，而不只是播放。

Lazarte 对这种让人不适的感觉，态度很务实。只是把名字替换进去的老板视频，不会让人觉得好。一个能吸收你真正关心的内容、再把这些内容交给你的视频，是另一种产品。必须反复测试，直到找出那些让用户觉得站在自己这边的应用。说到公司本身：40 到 50 人、年收入 3500 万美元的团队，已经足够支撑团队运转，所以 Labenz 问，新融的资金会用在哪里。Xu 说，他们从来没有把自己看作数字人公司。数字人，也就是 A-roll（人物口播画面），曾是最先需要攻克的难题。下一步是 B-roll（辅助画面）：背景、音乐、转场、动画，这样就能端到端地生成整段视频。A-roll 的质量和参与度还在持续提升；大量投入则放在 B-roll 生成、模型训练和产品上。提升质量没有单一的窍门。更多数据能覆盖更多边缘情况。视频生成也不只是数学问题：你要怎样把对话流程模块化，好让模型能在上面训练？综合起来，就是更多数据、更多算力、更多模型突破，以及更多产品创新。

被问到这个工作室的时间线会不会发展成 Adobe 的地盘，或者像 Sora 那样的基础模型时，Xu 两者都不认同，认为这个框架本身就错了。他的观点非常激进，也很明确：五年后时间线编辑器会消失。今天的视频世界，是 20 或 30 年前那款编辑器定义的，因为摄像成本很高。你要拍 20 或 30 次，再把各条素材摆到时间线上挑出最好的一条。如果素材能即时生成，你就不需要时间线了；而对于那 99% 不是剪辑师的人来说，时间线的学习曲线非常陡。必须有一种新的范式。对于商业视频来说，需要的是质量控制和一致性，而不是通用的世界模型。HeyGen 的赌注是一个合成引擎：它理解品牌需要什么，然后统筹数字人、声音、音乐和 B-roll。Labenz 问，未来是不是就是坐在屏幕前，说一句“把背景换成绿色公园”。把人放进另一个场景，今天已经能做到。出问题的是光线：把他放到海滩上，光线感觉就不对。即使解决了静态情况，手势还得带动光线变化。Xu 进一步指出，光线本身也是摄像机时代的一个维度。在没有摄像机的世界里，真正重要的维度变成了“更有吸引力”“更有动感”，以及更流畅的对话节奏。Labenz 在 Waymark 也见过同样的简化：原来一堆字幕模型和审美模型纠缠在一起，后来合并为让一个多模态模型（multimodal model）来决定用哪些图片，工具更少，效果更好。Xu 同意，在编排层后面，技术栈大概会收敛到几个主要模型，而不是永远依赖上千种专用小工具。

最后这一段，正是 Labenz 想做这期节目的原因。他曾做过 GPT-4 的红队测试，之后又看到一些克隆产品上线时完全没有护栏。他用特朗普、拜登和 Taylor Swift 的声音，在多个平台上做过测试，其中一些平台可以拨给任意号码，并借此索要捐款。让他至今难以理解的是，这种东西居然会被推出上线。相比之下，HeyGen 拥有他见过的最完善的集成安全措施，而且它是在建立真正生意的同时做到这一点的。Lazarte 观察过多个数字人团队，他原以为这项技术迟早会出现，客户也一定会用。而用得不好的风险非常大。让人印象深刻的是，成为最值得信赖的品牌，是 HeyGen 战略的核心，而不是合规上的事后补救。

Xu 说，他们从来没有把信任与安全当成拖慢自己的东西。它是业务的关键部分，也是产品的一部分。每一项新功能上线前，都会专门讨论如何安全地推出。他们服务的一些客户是全球最大的企业，没有这套体系，这些合作就谈不成。在创作环节，自助路径上不允许使用政治人物或名人形象；有正当用途的名人，需要联系运营团队。每一个数字人或数字分身，都必须让本人在视频里亲自同意。系统会生成随机的动态验证码进行核验，后台还有人工复核。每一条制作或本地化的视频，都要经过 AI 模型和人工审核的结合检查，对照政策审查：不允许仇恨言论、骚扰、欺诈或虚假信息。名人比对使用供应商数据库，同时 HeyGen 自己的团队会持续更新覆盖范围。

Labenz 带着攻破它的目标测试了这款产品，结果没有成功，至少没有出现明显的漏洞。他偶尔能让它说出一些冒犯的话。上传特朗普或拜登的视频，想要生成公众人物的数字人，也没有成功。这种感觉像是纵深防御：他系统地找到了几道关卡，最后总是由人工审核给出“不行”。他一直在寻找第三方名人数据库供应商，因为克隆市场的其他大部分地方都可以被随意滥用。开发者经常告诉他，他们不知道该怎样识别每一个名人的声音。如果答案是“付费买一个数据库，然后去用”，他希望把这个做法推广开。他对这一个小时的总结，和 Xu 的看法相同：不要因为今天的数字人，就以为这就是终点。它们会变得更好、更快、能实时、更懂语境。视频到底是什么，这个范式可能会被彻底打破。未来比人们一开始敢猜的要更怪一点，也许也更酷一点。如果需要安全方面的参考，可以研究 HeyGen 的产品。在他个人对护栏的排名里，它排在第一。

Xu 和 Lazarte 说，最重要的几点都已经讲到了。Labenz 自己的总结很务实。对运营人员来说：先把现有产品视频拿去翻译成一个目标市场的语言；成本是 GPU 时间，比配音团队低好几个数量级，小规模验证之后再扩大。对效果营销人员来说：别再打磨一条主打广告，而是生成 20 个脚本变体，像 Lazarte 所在的游戏公司那样，把预算花在测试上。对刚接触这款产品的人来说：照着 HeyGen 设计好的路径走，先用现成的数字人，等内容跑通了，再去克隆自己。

他对做克隆产品的团队有个期待：希望整个行业都能借鉴同意流程、动态核验，以及他仍在找的供应商名人名单。哪怕普通用户这周根本用不着，花半个钟头给自己做个分身，也是体会这项技术离真人有多近的最快办法。眼下的数字人，只是一个出发点。它们会变得更快、更能实时互动，对语境的把握也会更好。至于“视频”本身这个概念，或许正处在被重写的边缘。