这段约80秒的视频里，最能揭示问题的人是真人。他叫邱浩，是新华社主播，外貌与声音曾被用作该社首批“AI 主播”之一的原始素材。短片让真人原型和屏幕里的分身同处一则报道，一项关键的依赖关系也随之显现：产品先要有一个人，才能模仿主播。[1][3]

看清这层关系，便不会混淆两类工作。合成主播可以把一份已获批准的文本转成可重复播放的视听表演，却无法自行发现新闻、采访目击者、鉴定图像、核对彼此冲突的说法、判断某项主张是否已可发布，也不能承担更正责任。这些属于新闻采写与编辑职能。合成主播负责把成稿播报出来。

把短片看两遍。第一遍比较真人与合成形象的表现：面孔、声音、目光、语速，以及熟悉的演播室形式所暗示的权威。第二遍先放下新奇感，再追问每一句渲染完成的话出现在屏幕上以前，画外经历了哪些步骤。视频很短，它揭开的制作分界却远超这80秒。[1]

第一遍——在产品里找到真人

从短片的构图入手，比从“AI 主播”这个称呼出发更合适。短片介绍邱浩，并说明新华社的屏幕主播以有血有肉的真人为原型。屏幕上的播报身份有具体的人身来源：真人工作人员给出声音与视觉参照，新闻编辑部给出机构环境，软件负责复制播报表现。[1]

约在0:18，邱浩位于画面前景，他的合成分身出现在身后的显示器上。到0:38左右，采访镜头再次把注意力引向真人主播。接近0:57时，虚拟形象与一幅 365 × 24 图示并列，占满画面。不到一分钟，镜头从原型人物移到复制形象，再移到全天候运行的承诺。产品的两项输入——借用的身份与外部提供的文本——先进入画面，规模主张随后出现。[1]

这项区别之所以重要，在于一张脸会携带长期积累的可信度线索。西装、主播台、稳定的目光和从容的播送，都无法证明屏幕上的主体曾调查自己正在朗读的文字。它们属于观众早已与新闻联系起来的一套视觉语法。合成版本可以大规模复制这套语法，与脚本背后的采访和核查却相隔甚远。

新华社留存的档案照片让部署环境变得具体。照片中，参观者站在一块播放该主播的大型显示屏旁；2018年11月，新华社与搜狗在第五届世界互联网大会上发布了这套系统。新华社当时称它为数字分身，并称它拥有真人主播的新闻报道能力；照片本身记录的是一场公开产品发布，自主采写流程并未出现在图像证据中。[2] 阅读时，应把机构主张与照片证据分别看待。

现在重播真人与虚拟形象的对照，并带着五个问题观看：

1. 复制的是谁的脸和声音？
2. 谁选择并核验了脚本中的事实？
3. 谁批准了最终措辞和读音？
4. 整段短片是否始终清楚标明主播的合成属性？
5. 播出的说法一旦出错，谁来更正记录？

只有第一个问题可以从外观得到答案。其余四项都需要画框之外的来源记录。

第二遍——顺着文本走，暂时放下那张脸

发布数日后，一篇中文技术报道采访了搜狗管理人员，追问制作链条。按照他们的描述，流程从输入新闻文本开始。系统预测韵律、重音等特征，合成语音和唇部动作，生成匹配的面部表情，再沿时间线协调各路信号。报道还提到，2018年的系统最擅长较为严肃的播报环境，面对情绪表达强烈的内容时困难更多。[3]

这些步骤全都在转换内容的呈现形式。文本变成时序，时序引导声音，声音、口型和表情再合成同步视频。这条流程可以让播送更快、更一致，其中没有任何一步能够判定输入句子是否真实。同步得毫无破绽的假话依旧是假话。明显的口型偏差有时会暴露渲染缺陷，可信的播送表象则可以遮住上游的编辑缺陷。

这是观看短片时最重要的一条注释：逼真度属于输出属性，与新闻采写方法无关。面容和声音越逼真，人们越容易把播送时的笃定误当成底层证据也同样可靠。因此，新闻编辑部需要两套彼此独立的质量体系。一套检查事实、信源、上下文和编辑判断；另一套检查读音、时序、视觉瑕疵、标注和播放。第二套通过检验，仍不能代替第一套。

规模化的单位是一次渲染

把合成主播视作渲染服务，商业逻辑便清晰起来。真人主播通常要走进演播室、朗读脚本，必要时再录一遍；每增加一种语言或格式，过程还要重来。一套合成身份制作完成后，批准过的文本可以直接生成另一段视频，省去重复的表演劳动。搜狗最初的技术说明着重强调快速生成视频，也提到服务器容量充足时持续运行的前景。[3]

新华社后续报道给出了这项产能的第一方数据。2019年2月，系统发布三个月后，该社称合成主播已制作超过3,400条报道，累计时长超过10,000分钟。在同一场活动上，新华社与搜狗还发布了带手势的站立式主播和一位女性主播，并介绍了波形音频、表情合成、唇部动作，以及让手势与语义匹配等方面的改进。[4]

这些数字说明，该形式已经走出一次性演示。它们无法衡量事实准确度、受众信任、编辑独立性、节省了多少劳动，也没有把系统表现与真人对照组相比较。这些数据同样来自新华社对自家系统的报道，未经过独立审计。证据所支持的结论范围较窄：这家机构展示了可重复的制作与分发能力，产量也已达到可观规模。

规模扩大后，运营瓶颈还会向上游移动。渲染成本降低，新闻编辑部就能发布更多呈现版本，数量超过编辑过去可以录制的范围。此时，脚本、姓名和数字需要版本控制；每份输出都要对应一条审批记录；主播的合成属性要持续披露；更正系统还得找出所有衍生版本。播送加速后，编辑控制更显珍贵，因为错误和正确的新闻稿一样，都能被高效复制。

一张脸需要一份来源档案

这段短片的一大价值，在于它把邱浩呈现为虚拟形象身份的源头。当观众日后只能看到合成版本时，这项关系仍应留在记录中。一份完备的来源档案应标明真人原型，记录同意授权的范围与期限，说明哪家机构控制其肖像，注明每次渲染使用的系统与版本，保存批准过的脚本，并登记负责编辑。

披露信息也要经得起重复使用。标签若只出现在开场画面，短片遭到节选、裁剪或转发时便会消失。更牢靠的设计会把屏幕标识、元数据和一条可链接的记录结合起来。它要帮助细心观众“认出 AI”，还要在感知检测失准之后，让来源和责任依旧可查。

这套治理层的作用，在于让自动化留在新闻编辑部的工具箱里，不致成为推卸责任的托词。据联合国教科文组织报道，东南欧与土耳其各新闻和媒体理事会在2025年通过一份宣言，其中的通用原则写得很清楚：AI 应当辅助新闻工作，不能取代人的判断或编辑责任；AI 生成内容应保持透明并明确标注。[6] 该宣言属于区域指引，在中国不具法律效力；不过，将工具能力与编辑责任分开，放到其他地区同样适用。

后来的证据把检验范围从相似度推进到沟通效果

2018年的短片引出了一个视觉测试：合成主播的外貌和声音与邱浩有多接近？后续研究给出另一层线索：相似度只覆盖受众体验的一部分。2026年，一项经过同行评审的定性研究邀请11名中国新闻消费者观看由新华社虚拟主播新小萌播送的硬新闻片段，素材取自2025年1月至6月的播报。参与者提到重音、语调和节奏方面的问题；11人中有9人对人际联结、审美质量或新闻播报的社会角色表达了担忧。[5]

这项研究需要严格限定解释范围。11名按研究目的招募的消费者，身处一种语言和国有媒体环境，无法代表所有中国观众，更不能代表全球受众。实验使用了字幕，作者也说明，研究无法分离字幕对理解的补偿作用。访谈识别出受访者感受到的问题，也留下了这些问题如何影响沟通的线索，却没有证明某一项具体声音特征会导致信任下降。[5]

在这些限制之内，研究结果让第一次观看所见的分界更鲜明。主播的作用不限于逐字发音。重音可以指出一句话的重点，节奏可以划分分句，语气则能帮助受众理解信息的意义。合成播报可以在技术上连续不断，沟通过程依然费力。省下一次演播室重录，与保留熟练主播赋予内容的意义，分属两个目标。

有用的分界

新华社与搜狗的这次发布值得重视，因为它很早就把新闻制作中一个可见环节产品化：将文本转换成由熟悉主播形象带领的视频。把这名虚拟主播归为“噱头”，会低估产品的实际能力；把它视为记者，又会越过证据范围。这是一套瞄准真实成本与分发问题的生产系统，却借用了比开发方所述技术原理更宽泛的职业称谓。[2][3][4]

最后再看一遍时，可以把“这个 AI 能取代主播吗？”拆成三个范围更窄的问题。自动化处理的是哪项任务？哪项证据证明了这项任务？结果仍由哪个人或机构负责？ 对这套系统而言，证据支持的任务是合成播报外部提供的文本。采编链条仍在上游，责任仍归发布机构。

所以，标题中的区分超出了语义差别。合成主播可以完成播报，新闻编辑部仍须完成采编。

来源

1. 《南华早报》，“认识世界首位 AI 主播背后的真人新闻主播”，视频，2018年11月29日。
2. 新华社，“新华国内照片一周精选：‘AI 合成主播’”，2018年11月9日。
3. 智东西，经凤凰网科技转载，“新华社发布 AI 虚拟主播，搜狗想用这项技术‘克隆’人类”，2018年11月12日。
4. 新华社，“媒体融合向纵深发展 新华社 AI 合成主播全新升级”，2019年2月19日。
5. Jiaxian Li、Xing Pang，“中国 AI 新闻主播的异常现象：语音不规律及其对新闻传播效果的影响”，《Frontiers in Computer Science》，2026年5月29日。
6. 联合国教科文组织，“AI 与媒体伦理：东南欧与土耳其新闻理事会通过里程碑式宣言”，2025年6月11日。