什么是数字人的驱动方式？录制与生成

直播间里的 AI 主播滔滔不绝讲了六小时，有观众却看不出它是真是假。判断数字人的成色，先看它用的是哪种驱动方式：真人录制的素材拼接，还是 AI 实时生成。两条路线的成本、上限、破绽都不一样，选型前必须分清。

路线一：录制驱动，拼出来的像

先请真人把常用语句、表情、动作大量录下来，使用时按内容挑选拼接对应片段。优点是真——每一帧都是真人实拍，皮肤、头发、光影无可挑剔；缺点是死板——内容受限于录制范围，遇到没录过的句子就得用通用片段凑，嘴型和内容对不上，镜头语言也单调。它适合话术相对固定的场景：企业介绍、课程讲解、固定流程播报。口型衔接的精细度，取决于录制时的切分粒度和对齐质量，原理上与语音识别里的对齐同源。

路线二：生成驱动，算出来的活

AI 实时生成不依赖预制素材：给一段语音或文字，模型直接算出这一秒脸上每个点的位置，内容再新也能开口，配合唇形驱动连口型都能逐帧对上。代价是算力开销大、细节偶有失真，头发丝、牙齿这些高频细节仍是常见破绽。它适合内容多变的场景：互动直播、问答客服、随点随讲的虚拟助教。声音一侧的生成链路是另一套声学流水线；什么时候开口、怎么接话，靠唤醒词检测与端点检测把话头话尾切准。

两条路线在五处对位，差别一眼能看清。

类比：录播课与真人家教，以及它失灵的地方

录制驱动像录播课：画面精良、内容固定，你问什么它都播同一段；生成驱动像真人家教：随问随答，但口才和状态有波动。类比失灵之处在于：录播课的「固定」是设计选择，而录制驱动数字人的固定是素材天花板——补录即可提升；真人家教的波动是能力波动，生成驱动的波动是算力和模型波动，加硬件就能稳。类比到选型，就看你的内容是「一套讲一百遍」还是「每场都不一样」。

怎么判断眼前的数字人是哪种

三个观察点：让它说一句冷门话术，录制型多半嘴型含糊或切换生硬；让它做大幅转头，录制型常出现接缝，生成型可能轻微扭曲但动作连续；看长时间直播，录制型会明显重复同一套小动作。市面上还有混合方案：形象用真人录制打底，口型和微调用模型实时修正，兼顾质感与灵活。再往上游走，形象本身也能由 AI 造出来，见3D 生成；画面内容的修修补补，则涉及指令编辑与图生图。

补充一个成本视角：录制驱动的开销集中在前期，棚费、真人档期一次性投入，之后边际成本极低；生成驱动的开销在持续算力，用得越多花得越多，但不用养团队补录。粗略的分界线是内容更新频率：月更选录制划算，日更甚至实时互动，生成驱动反而更省。还有一点常被忽略——录制素材会过时，真人发型一变整套素材就得重录，而生成驱动的形象数字上永不衰老，这对需要长期固定形象的品牌是个隐性优势。

选型速查

• 话术固定、追求质感：录制驱动
• 内容多变、要互动：生成驱动
• 预算充足、要求苛刻：录制打底加模型修正
• 先测冷门语句和转头，破绽一试便知

一句话带走：录制型是照片集，生成型是画笔，内容越活，越得靠算。

关于数字人的驱动方式再多问三句

• 录制驱动的内容能更新吗？：能，但要回到棚里补录，周期和成本摆在那，高频更新的业务用它会吃不消。
• 生成驱动能完全以假乱真吗？：短镜头内接近，长时间连续直播仍会累积细节漂移，目前更适合搭配真人值班。
• 数字人需要多少算力才跑得动？：取决于分辨率和实时性要求，高清实时生成通常要专门加速，录播出片则普通设备也能渲染。