AI 数字人：从像到像样走了多远

AI 数字人这一年最大的变化不在脸上。几年前大家比的是"像不像真人"，现在生成一个逼真的形象几乎成了标配；真正决定它能不能进直播间、进课堂、进客服的，是口型跟不跟得上、情绪接不接得住、出了错谁来兜。这条线往前挪了多少，值得拆开看。

变化的顺序：先脸，再嘴，最后是反应

三个阶段有明确先后。形象阶段解决"看着像人"，门槛已经很低，一张照片加一段音频就能出一个会说话的形象。口型阶段解决"说话对得上"，难在中文的爆破音和连读。反应阶段解决"听得懂再回应"，这一步才刚起步。

顺序不能跳。形象再好，口型对不上，观众三秒就出戏；口型对了但答非所问，就只能用在录播，不能用在互动。很多项目失败不是技术不行，是把三个阶段当成一个阶段在验收。

口型这一关卡在三个条件

语速、句长、音素密度。语速超过日常播报，口型和音频就开始错位；一句话太长，后半段的同步会漂；连续的高密度辅音，比如一串数字或英文缩写，是最容易露馅的地方。

这不完全是模型能力问题，是训练数据与实际输入的分布差异。多数口型模型见的是一句话三五秒的样本，你给它一段二十秒不带停顿的长句，它只能外推，外推就会漂。

所以改文案比换工具有效。把长句拆到十五字以内，在需要停顿的地方补标点，自己念一遍确认能一口气说完。这一条能解决大部分"看起来假"的问题，成本比重新选型低得多。

情绪不是表情，是节奏

很多数字人笑起来很标准，说话却没有情绪。原因是情绪在语音里主要靠三样东西：停顿的位置、重音落在哪个词、句尾是升还是降。表情只补最后一层，前三层空了，笑也是贴上去的。

可行的做法是给文案加表演提示：这句放慢、这个词重读、这里停半秒。提示写得越像给播音员的稿子，出来的效果越自然，这一步不需要任何新工具。

哪些环节真变了，哪些没变

真变了的是生产链路。以前做一个数字人要建模、拍摄、调动作，周期以周计；现在一条文案进去，几分钟出片。变的是"做出来"的成本，不是"做好"的成本。

没变的是三件事：脚本质量决定成片质量；强情绪内容仍然要靠真人；观众对"这是假的"的容忍度很低，一旦认出来，后面说什么都打折。还有一件：责任。数字人说的每句话，责任在发布方，不在工具。

成本降下来，评估方式要跟着变

当单条成本降到可以忽略，问题就从"要不要用"变成"用在哪"。判断可以简化成两条：这条内容是否需要人的临场判断；观众是否会因为"不是真人"而降低信任。两条都为否，就可以批量做；有一条为是，就该留人。

工具之间的价格差异，看整体投入比看单价有用——单价低的方案，常在试错和返工上把差价还回去，判断思路见怎么看懂一次 AI 价格战。算力成本下降传导到生成价格需要时间，中间还隔着调度与带宽，这一点在怎么看懂 AI 芯片新闻里拆过。

至于某家产品这个月排到第几，不必太当真。榜单的评测集和你的场景往往不是一回事，看排名变化透露的信号即可，方法见AI 榜单迭代怎么看。

它仍然做不到的事

四点。不能临场改口，脚本之外的话说出来大概率出错；不能处理复杂追问，多轮对话超过三轮容易绕回预设；不能承担情绪劳动，用户带着火气来时它接不住；不能替代真人建立关系，观众记住的是内容，不是这张脸。

还有一个工程限制：多语言。中文口型模型迁到其他语种，同步质量通常会掉一档，需要单独调；指望一套参数通吃几种语言，落地时会返工。

判断一段数字人内容能不能用

• 关掉声音看画面，口型对不对得上
• 开着声音不看画面，语气像不像在说话
• 遮住脸只听内容，信息还有没有价值
• 三项里有两项不合格，问题多半在脚本不在工具

三个容易被问到的细节

一张照片就能做吗？能出形象，但动作幅度受限；需要手势、走位、侧脸的场景仍然要视频素材。照片转出来的形象，更适合固定机位的口播。

直播时经常"卡住"是渲染慢吗？多数是问答链路超时：语音识别、检索、生成、合成四段里任何一段慢了，表现出来都是愣在那里。排查要按链路分段计时，别一上来就换形象。

需要标注是合成内容吗？各平台规则不同，发布前查该平台对合成内容的标识要求，以平台最新规则为准。涉及代言、荐证类内容的，另有一套规则，不能只看技术标识。