数字人的报价从几千到几十万都有,差距不在「像不像」,而在四个字:能不能用。选型之前先想清楚它要出现在哪、由谁驱动、每天跑多久,答案会直接决定技术路线。
一、三条技术路线,先选对赛道
1. 2D 真人克隆
用真人几分钟的视频素材训练,生成一个会说话的数字分身。优点是还原度高、成本低、制作快,适合口播、课程、新闻播报、直播带货。缺点是机位与动作受限,通常只能做半身或坐姿,复杂动作需要重新采集。
2. 3D 超写实数字人
用建模 + 绑定 + 驱动的方式制作,可换场景、换机位、换服装,适合品牌代言、发布会、展厅导览。成本最高,制作周期以周计,但对形象的掌控度也最高——不会出现「脸突然变了」的问题。
3. IP 卡通形象
不需要像真人,重点是好认、好记、可延展。适合儿童内容、文旅吉祥物、政务科普。制作成本居中,最大的优势是规避真人肖像与授权风险。
二、五个关键指标
1. 口型同步精度
看三个音:b/p/m 这类闭唇音、f/v 这类唇齿音、以及语速快时的连读。让供应商用一段包含这些音的测试文本现场生成,比看宣传片可靠得多。低于 90% 的同步率,观众一眼就能看出「配音感」。
2. 微表情与眼神
真人的可信度来自微小的不完美:眨眼频率、眉毛的轻微抽动、说话时的头部微动。太完美反而假。测试时注意看静止段落——很多数字人一动就好,一停就僵。
3. 皮肤与毛发质感
看高光是否自然、毛孔是否有细节、发丝边缘是否干净。低质量数字人的典型特征是高光像塑料、发际线像贴图。这一项在 4K 大屏上会被放大,展厅场景尤其要注意。
4. 驱动方式与实时性
文本驱动(TTS + 口型)适合批量生产;真人录音驱动适合高质量口播;动作捕捉适合直播与互动。如果需要实时互动(客服、直播),还要看延迟——超过 1 秒的延迟,对话就会尴尬。
5. 算力与单条成本
问清楚三件事:生成是本地还是云端、单条视频的渲染时长、批量生产的单价如何递减。有的方案定制费便宜,但每条视频的生成费很贵,长期用下来反而更亏。
三、声音克隆与合规红线
声音是可以被识别的生物特征,克隆前必须拿到本人的书面授权,明确使用范围(哪些平台、哪些内容、多长时间)。这不是形式主义——一旦本人反悔或家属异议,已经投放的内容都要下架。
另外两条红线要注意:第一,不得用他人形象或声音制作误导性内容;第二,生成内容应按平台要求进行 AI 标识。政务、医疗、金融等强监管行业,还要额外确认行业主管部门的规定。
四、按场景选型
| 场景 | 推荐路线 | 关键要求 |
|---|---|---|
| 短视频口播 / 知识科普 | 2D 真人克隆 | 口型精度、批量出片效率 |
| 7×24 直播带货 | 2D 真人克隆 + 实时驱动 | 低延迟、话术脚本、平台合规 |
| 企业展厅 / 发布会 | 3D 超写实 | 大屏质感、多机位、稳定性 |
| 内部培训 / 课程 | 2D 真人克隆 | 多语言、字幕、课件联动 |
| 文旅 / 儿童 / 政务科普 | IP 卡通形象 | 形象延展性、授权清晰 |
五、验收清单:八条硬标准
- 用指定文本现场生成,闭唇音与唇齿音准确
- 静止 3 秒不僵硬,有自然眨眼与呼吸感
- 连续 5 分钟输出,面部不漂移、不变形
- 侧脸与 45 度角可用(不只是正面)
- 换装、换背景后形象保持一致
- 声音克隆有书面授权,音色稳定不串音
- 输出规格满足目标平台(分辨率、码率、帧率)
- 交付包含使用文档与后续维护方式
这八条过不了的项目,价格再低也不要签——后期返工的时间成本,通常比省下的钱更贵。
结语
数字人的价值不在「像人」,而在「可复用」。一个能被反复调用、稳定输出、不需要协调档期的出镜人,才是它真正的商业意义。