9月3日，美团技术团队公开发文，系统拆解了面向本地生活场景的AI数字人直播解决方案"美团智播"的技术架构，这是美团首次对外完整披露其数字人直播的技术家底。过去一年，依托生成式AI技术，美团智播支撑的数字人直播月日均GTV同比增长82.12%，月日均观看人次同比增长163.44%，开播场次提升11倍，商家闲时交易额平均提升7.3%。一连串增长数据的背后，是形象生成、动作驱动、语音手势协调与高效推理部署四项核心技术的协同突破，这套体系也因此拿下2026年度中国多媒体企业创新技术奖。
数字人直播的第一个门槛是形象。美团智播采用结构解耦的身份个性化方案，把人的身份特征从整体形象中剥离建模，支持真人1:1复刻与门店实景定制，商家上传素材后30秒即可生成直播素材，3分钟完成开播配置。针对形象复刻中常见的"换装换背景就认不出人"问题，团队设计了自奖励编辑机制，让一个模型同时扮演编辑者与评判者，在自我博弈中避免奖励作弊，编辑基准评测提升2.5至3.8个百分点，相关成果已被多媒体顶会ACMMM 2026接收。
形象问题解决后，动作自然度成为下一个战场。传统动作生成常用双向卷积，训练时模型能"看到未来"，推理时却只能一步步向后生成，训练与推理行为不一致导致动作质量崩塌。美团自研的MoTiGA框架把所有卷积替换为因果卷积，从根上消除这一差异，重建质量指标从0.114降至0.031，动作自然度大幅提升72%。团队还标注了超过十万组"哪个动作更自然"的人工偏好对，用人类审美对模型做对齐优化，让数字人的举手投足摆脱"木偶戏"的生硬感。
真人主播说"这款披萨用料非常足"会张开双手比划，说"请看右边链接"会伸手去指，语音与手势的语义配合是观众判断"像不像真人"的关键线索。美团自研的StreamingTalk方案采用流式生成思路，把整段动作拆成小片段边说边生成，延迟恒定、内存占用稳定，直播时长再长也不会卡壳，每个片段还能绑定独立的动作标签，介绍产品时双手展示、讲解优惠时兴奋挥手，全程一条连续流平滑过渡。
成本控制则是规模化落地的命门。数万商家同时开播，每路直播都要做视觉理解与画面渲染，按传统多模态大模型的做法，单路GPU占用高得吓人。美团的Glance2Gaze方案借鉴人眼的"扫视加注视"机制，先用Glance Fusion融合视觉编码器各层特征获取全局信息，再由Gaze Compression把压缩模块直接嵌入大模型解码层，视觉词元从576个渐进压缩至288个再到144个，整体压掉75%的词元，推理提速2.5倍，并发成本下降超过60%，且完全兼容主流注意力加速框架，不需要额外改造推理基建。
单项技术突破之外，美团智播的架构设计同样值得研究。整套系统采用"双引擎"中台：实时交互引擎负责观众提问后的秒级响应，通过全双工流式调度让前一阶段刚出结果就触发下一阶段；内容量产引擎则调度创意、检索、思考、生成、评测五个智能体协作，把单条讲解视频的生成时间从人工的数小时压缩到分钟级。架构层面坚持"形象、动作、场景"三维解耦原则，三者独立管理、自由组合，同一张脸可以搭配不同动作风格，同一套动作可以复用到不同形象上，内容生产的边际成本被压到很低。
这套技术体系回答了一个行业核心问题：数字人直播如何从"能用"走向"好用"再到"规模化量产"。对本地生活领域的百万中小商家而言，专业真人主播团队的高昂成本与排班难题长期难以承受，7乘24小时不间断直播更是一种奢望；美团智播给出的方案是让数字人以接近真人的表现力接管闲时时段，把直播从少数头部商家的专属武器变成中小商家的普惠工具。当GTV增长、观看人次翻倍与开播场次11倍提升的数据摆在眼前，数字人直播的本地生活商业化闭环已经跑通，接下来比拼的将是形象逼真度、交互智能度与单位成本控制力的综合实力。
技术狂奔的同时，数字人直播的合规与信任问题也在快速浮出水面。随着生成式人工智能服务管理办法等监管框架落地，深度合成内容标识成为硬性要求，观众需要能明确分辨哪些主播是真人、哪些是数字人。美团智播把真人1:1复刻作为核心卖点，意味着形象授权、声音权与肖像权的管理必须前置，商家在享受低成本直播红利的同时，也要为数字分身的使用边界承担相应责任；平台侧同样在收紧规则，未标识的AI内容面临限流与下架风险，这反过来倒逼技术团队把可识别性内建到产品流程里。
把视线放回本地生活赛场，美团智播的示范效应已经显现。过去一年，数字人直播从少数头部商家的尝鲜品，变成越来越多中小餐饮、零售商家承接闲时流量的常规工具；当7乘24小时直播不再依赖真人排班，直播间的边际成本被大幅压缩，本地生活的流量分配逻辑也在悄然改变。可以预见，下一阶段的竞争将围绕形象定制成本、交互智能度与内容合规能力展开，而美团率先公开技术栈的姿态，既是对行业的科普，也是一份面向商家与生态伙伴的信任状。