40人团队年入3500万美元：HeyGen把AI数字人视频跑通了

这期播客有个特别的彩蛋：出镜的嘉宾，一半是假的。

开场白是主持人Nathan Labenz用HeyGen克隆的数字人念的。录制过程中，嘉宾Joshua Xu（徐卓）的视频轨道莫名损坏，画面全废。节目组没有重录，索性用Joshua自家的数字人产品，照着对话转写稿重新生成了一段视频，直接剪进正片。Nathan的评价是，效果「好得惊人」。

一家做AI数字人的公司，用自家产品救了自己的播客场子。这大概是最高级的产品演示。

再看几个数字。HeyGen目前只有40到50名员工，年收入3500万美元，服务超过4万家企业客户。2024年年中，Benchmark投出6000万美元，据报道估值约5亿美元。要知道，Sora、Google Veo、快手的可灵、Runway Gen-3轮番刷屏的时候，多数AI视频工具还停留在「演示惊艳、干活费劲」的阶段。HeyGen绕开了通用模型的军备竞赛，专注企业视频这个具体场景，主打质量、一致性和可控性，技术路线是「用当下最好的工具拼装」：自研数字人模型，外接一流的脚本写作和语音合成能力。

同场的另一位嘉宾是Benchmark普通合伙人Victor Lazarte，这轮投资的主导者。他此前联合创办了巴西移动游戏公司Wildlife Studios，做过月均1亿次视频播放的买量生意。一个懂相机技术，一个懂买量转化，两人对视频的未来给出了一组挺有意思的判断。

起点：AI应该成为新相机

Joshua 2014到2020年在Snap工作，前几年做广告系统，帮广告主在Snapchat上拿回报，后来转到AI相机团队。

2018年，他第一次接触GAN，看到计算机能生成一张现实里不存在、看起来还挺真实的图。他的直觉是，这东西会改变内容生产的方式。

他观察到的规律是：过去十几年，内容平台的崛起都跟着相机走。iPhone 4问世，才有Instagram、Snap、TikTok，才养出这批创作者。但做相机软件这些年，他反复看到同一个问题：很多人出不了镜，要么没时间，要么不上镜，要么一面对镜头就僵硬。

他的结论是，把相机这个环节替掉，视觉叙事就能开放给所有人。2020年12月，HeyGen成立，出发点一句话能说完：用AI生成视频，替代用相机拍视频。

三种用法：创作、翻译、个性化

HeyGen是个很横向的平台，营销、销售、培训、本地化都有人在用，客户从小商家到财富500强都有。Joshua把用法归成三类。

第一类是创作。选一个官方现成数字人，或者克隆一个自己的，套模板，打字，出片。产品介绍、产品演示、内部培训，都靠这个。官方数字人和自建数字人的关系，他说是用户旅程设计：先用现成的试水，看看内容效果，第二步再做自己的数字分身，围绕它搭品牌形象。

第二类是翻译，目前最出圈的功能。上传一段已有视频，HeyGen能翻成40多种语言，保留原说话人的音色和表情，口型还跟着新语言对上。传统做法是请配音演员重新配，一分钟10到20美元，而且配完口型对不上，观众一眼看出「翻译腔」。HeyGen把成本降了10倍以上，速度提了大约100倍，交出来的还是口型同步的母语版。很多大公司靠它把本地化流程的成本和时间压掉一个数量级。Joshua强调，价值不只在省钱：传统配音版总像个次一等的版本，观众宁可看原声加字幕，口型同步之后，新语言版本第一次有了原生观感，参与度反而更高。

Nathan现场算了笔账：一个电商有100条产品视频，想覆盖100种语言，就是1万条视频。按老办法，结论只有一个，干脆不做。按HeyGen的办法，这就是一笔GPU费用的事。

第三类是个性化。邮件个性化大家见多了，视频个性化是新东西。Joshua举了个例子：一家企业客户一次性生成超过10万条个性化视频，发给内部员工当感谢视频。

为什么盯着视频做？Joshua的理由很朴素：YouTube每天有超过10亿小时的视频被观看。他自己特斯拉出了问题，第一反应是上YouTube搜视频，懒得翻菜单文字。每个企业都想做更多视频，卡点是视频太贵。HeyGen干的事，就是让企业做视频的速度，跟上客户看视频的胃口。

有个细节挺有意思。Nathan问，客户做出来的视频是直接用，还是拿去别的工具再加工？Joshua把用户分成两种：大约1%的专业视频创作者，把HeyGen当素材生成器，片段丢进Adobe接着剪；剩下99%的人以前根本不会做视频，从生成到剪辑，全程在HeyGen里完成。

他还算过一笔账：假设一家企业每月需要100条视频，其中10条是真人出镜类。以前这10条又贵又慢，现在HeyGen把它们做得又快又便宜，结果企业干脆做了100条。好工具替掉旧工作量的同时，会把需求本身放大。

逼真是手段，参与感才是目的

数字人绕不开恐怖谷。Nathan直接问Joshua：现在的技术在哪儿，爬出来了吗？

Joshua的回答分两层。第一层，逼真度在很多场景已经过关，比如他自己的数字人，很多观众分不出真假。第二层更有意思，他说真正的问题跟「像不像真人」关系不大。Nathan也提了个场景差异：广告视频的观众划走只要半秒，企业内训视频再无聊也得看完。Joshua承认，外部营销对质量的要求高得多，那还是他们正在攻的山头。

视频比文字更抓人，核心在参与感。参与感靠三样东西：对话的节奏感、自然的手势、情绪表达。同一句话换种语气说出来，意思都不一样。这三样目前都还在攻关。把「像真人」当成终点是个误区，把「让人愿意看下去」当成终点，才是产品逻辑。

Victor用游戏行业的经验补了一刀。他以前的公司每月有1亿次视频播放，早期大家投静态图广告，后来全换成视频广告，转化率就是生死线。他的经验是，跑出高转化的视频很少靠画质胜出，靠的是快速测试大量变体。测试的关键就两个变量：单条成本够低，迭代速度够快。HeyGen对企业的价值正在这里，一条视频便宜了，你就能同时试20条，总有一条跑得出来。

Nathan补了个观察：大家都在冲逼真度，可动画片一直是主流娱乐形式，早期AI视频那种迷幻的波浪感，某种意义上像一种超常刺激，反而自带辨识度。超写实只是提升参与感的一条路，未必是唯一的路。

下一步：实时视频，和会消失的时间线

Victor最兴奋的功能叫Streaming Avatar，流式数字人。简单说，你的数字分身能跟人实时对话。他把这件事放在ChatGPT的延长线上：ChatGPT让人跟AI对话，但要打字；GPT-4o加上了语音；下一步就是视频通话。打字是聊天，语音是打电话，实时数字人是视频通话，交互每升一级，沉浸感上一个台阶。他原话说，这个技术「全世界没有别人有」。能拿来干什么，他自己也承认还在摸索，虚拟朋友、虚拟宠物都只是猜测。

个性化这条线还有更多东西。Nathan提了个疑虑：大品牌做个性化，往往只敢把名字塞进去，再多就不敢了。真收到老板发来的AI生成视频，他个人会觉得有点膈应。

Joshua的回应是把视野拉大：名字只是起点，因为最容易做。真正的空间在于，视频可以按人生成，每个人看到的版本都不一样。过去20年，两个人看同一个视频，看的是同一份内容，像所有人挤在同一间影院。以后可以是同一个故事，每人拿到为自己重剪的版本。一条1亿播放的视频，现在的优化逻辑是「多数人可能喜欢这样」，每次迭代都在牺牲一部分观众。如果每个点进来的观众都拿到为自己生成的版本，ROI才能摸到全局最优。他强调两件事缺一不可：一是高度个性化，二是视频能即时生成。Streaming Avatar只是起点，终局是把整条视频的生成过程也流式化。

Victor补了句实在话：这技术太新，什么应用能成，得靠试。只带名字的老板视频确实让人不舒服，但那种把你关心的信息真正揉进去的个性化，方向是对的，应用会一步步迭代出来。

聊到产品未来，Joshua放了个狠话：

「我有非常明确的判断：时间线剪辑器，五年内会消失。」

他的逻辑是，时间线这个形态的存在前提是相机贵。因为拍摄贵，你才会拍20条30条素材，铺在时间线上挑最好的。当素材可以随时生成，时间线就没了存在的理由，何况它本身就是横在99%普通人面前的一道学习门槛。HeyGen设想的替代方案是一个理解品牌需求的引擎：先弄清品牌要什么，数字人、配音、音乐、B-roll各司其职，组合出成品。

这里还有个更细的认知翻转。Nathan问，以后是不是对着电脑说一句「把背景换成绿色公园」就行？Joshua说，换背景今天就能做到，卡点是灯光匹配。他举了个例子：把你的画面放进海滩，背景对了，光影不对，一眼假。静态的好办，手势一动，光影跟着变，难就难在这。但他接着说了句更狠的：灯光这个维度本身就是相机时代的产物。没有相机之后，大家关心的维度会变成「更有参与感」「更有动感」，优化目标整个换掉。

Nathan听完很有共鸣。他在AI视频公司Waymark做研发，主要做电视广告，一条必须精确30秒的那种。他们的经验是，过去用一堆小模型拼起来的流水线，现在一个多模态大模型就能替掉，效果反而更好。Joshua也认这个方向，他判断底层最终会收敛到少数几个大模型。

关于下一步投入，Joshua说得很清楚：数字人这条A-roll继续提升质量和参与感，下一幕的重头是B-roll，背景、音乐、转场动画的生成。他给公司的定位是端到端帮企业生成整条视频，数字人只是先解决的那一环。

安全这套，他们真做了

这期节目里，Nathan给HeyGen的安全体系背书背得很用力。他是GPT-4的红队成员，测过大量语音克隆产品，在不少平台上克隆过特朗普、拜登和泰勒·斯威夫特的声音，有的平台甚至允许用克隆声音给任意号码打电话。他见多了零护栏的产品，而HeyGen是他个人评测榜上的第一名。

Victor从投资人角度补了背景：当时看数字人赛道的团队不止一家，技术一定会存在，客户一定会用，但技术这么强，用歪的风险也大。让HeyGen胜出的关键之一，是把「成为最值得信任的品牌」写进了公司战略。

Joshua开场就把话挑明：安全从来都是业务的关键部件，每次上新功能，团队都得先过一遍「怎么安全地放出去」这一关。他给出的机制清单是这样的：

• 不允许在平台上创建任何政治人物或名人的数字人，名人想合作必须走人工流程。
• 每个数字分身的创建，必须有本人出镜录制的第一方同意视频。
• 随机动态验证码核验，加上后台人工复核。
• 每条生成或翻译的视频，都过AI模型加人工的双重审核，拦截仇恨言论、骚扰、欺诈和虚假信息。
• 名人识别靠第三方数据库，自有团队持续更新。

Nathan亲自试过攻破这套系统，最粗暴的几条路全失败了。他系统摸出了好几层防线，最后撞上的是人工审核那道墙。他的评价是，这是典型的纵深防御，一层拦不住还有下一层。市面上绝大多数AI产品护栏基本为零，HeyGen证明了安全做得重，生意照样跑得快。Joshua的说法是，他们从没把安全当成刹车，安全就是产品的一部分。客户里有全球最大的那批公司，没有这套东西，生意根本接不下来。

Nathan还建议同行去把HeyGen的产品体验完整拆一遍，或者读他那份公开的红队测试分析。他甚至公开招人，一起测各种AI产品的护栏。

明天就能用的几件事

做生意的，可以先干三件事。第一，把已有的产品视频丢进翻译功能，测一个目标市场语言，成本就是GPU费用，比找配音团队便宜两个数量级，先小规模验证，跑通了再放量。第二，投放素材别再一条条打磨，用数字人批量生成20个版本的脚本去测，把预算花在测试上，别押在单条精品上。第三，先用官方现成数字人跑通流程，验证内容有效，再花时间克隆自己的数字分身，这是HeyGen设计好的用户路径，也是省钱路径。

做AI产品的，把HeyGen的同意验证流程完整体验一遍，从录制确认视频到动态验证码。Nathan说他一直在找能识别名人的第三方数据库服务，找了很久才有眉目，这类基础设施确实存在，做克隆类产品的没有理由裸奔。

普通人也值得动手：花半小时克隆一个自己的数字分身。就算今天用不上，你也会直观感受到这项技术到了哪一步，离自己的工作有多近。

Nathan在结尾总结了一个判断，跟Joshua那句狠话遥相呼应：今天的数字人只是起点，它们会更快、更实时、更懂上下文，视频这个概念本身，可能正站在被重写的边缘。判断一项技术，别盯着它今天的样子，未来通常比大家敢猜的更怪，也更有意思。