让一个虚拟角色保持四个小时不间断直播,在技术上已经不是特别困难的事情——语音合成、实时对话生成和口型同步这几项能力单独拿出来看,都已经相对成熟。真正困难的是,当同一个角色进行到第100场直播、累计直播时长达到数百小时之后,她还是不是观众记忆里那个有着固定性格和说话方式的角色,还是已经在无数次即兴回应中,慢慢变成了一个只是"声音和形象没变、内核已经模糊"的角色。
长时间直播场景下,Persona 漂移通常不是突然发生的,而是在无数次微小的即兴回应中累积的。比如某个原本设定为"说话简洁、不太主动开玩笑"的角色,在某一场直播里因为观众起哄,临时说了一句比较夸张的玩笑话,这本身也许没有问题;但如果这种临时的语气偏移没有被记录和约束,接下来几场直播可能会不自觉地延续这种风格,久而久之,角色说话的方式就会和最初的设定渐行渐远。
避免这种漂移,需要在每一次实时回应生成之后,都有一层轻量级的 Persona Verification:判断这次回应的语气、用词和话题选择,是否落在角色设定允许的范围内。如果检测到明显偏离,系统可以在下一次回应中进行校正,把语气拉回到设定范围,而不是任由这种偏移持续累积。这层核对必须足够轻量,否则会拖慢直播场景下本就有限的响应时间,这也是数字人直播和离线内容生成在技术要求上的一个重要区别——离线生成可以承受多轮审核,实时直播则需要在几秒钟内完成必要的核对。
星际娱乐偶像在设计虚拟角色的直播能力时,把 Persona Verification 作为实时回应生成链路里的固定一环,而不是把"人设会不会跑偏"完全交给模型自身的稳定性。这也是为什么"能不能直播四小时"和"直播一百场以后是不是同一个角色",是两个需要分别解决的问题——前者是响应能力和续航能力,后者是长期一致性问题,两者缺一不可。
更具体地说,Persona Verification 通常会关注几个可以量化的维度:这次回应的句子长度和用词习惯,是否符合角色一贯的表达风格;话题选择是否偏离了角色设定中明确标注的兴趣范围;情绪强度是否和角色一贯的性格基调相符。举例来说,如果一个设定为"性格内敛、很少主动调侃观众"的角色,在某场直播中连续多次使用夸张的语气词回应弹幕,系统可以在下一轮回应生成时主动降低语气强度,把角色拉回到设定范围内,而不需要等到整场直播结束后才靠人工复盘发现问题。这种逐轮校正的方式,比事后统一审查更适合直播这种实时场景,也让"长时间直播"和"保持人设"这两个目标能够同时实现,而不是必须二选一。