数字人

数字人已经从“会动的PPT”进化成了能实时对话、能带货、能当客服的实用工具，但真正决定它好不好用的，不是脸有多真，而是背后的驱动方式、延迟、语音链路和成本结构。如果你只是想要一个能播报视频的虚拟形象，几百块就能搞定；如果你想做实时互动的数字人直播间或企业客服，那要看的维度完全不同。

先搞清楚：数字人到底分哪几类

市面上叫“数字人”的产品，其实混在一起讲很容易被忽悠。按驱动方式，大致可以分成三档：

大部分人问“数字人怎么做”，其实问的是第二类——实时驱动型数字人。这也是目前商业化最成熟、最容易踩坑的一块。

实时数字人的核心链路是什么

一个能实时对话的数字人，背后至少跑着四条链路，任何一条拉胯，体验就会崩：

1. 语音识别（ASR）：把用户说的话转成文字，延迟要压到 300ms 以内。
2. 大模型推理（LLM）：生成回复内容，决定数字人“聪不聪明”。
3. 语音合成（TTS）：把文字变成声音，音色、情感、停顿都影响真实感。
4. 口型与表情驱动：根据音频驱动面部动画，口型对不上是最明显的穿帮点。

这四步串起来，端到端延迟如果能控制在 1.5 秒以内，用户就会觉得“像在跟真人说话”；超过 3 秒，基本就没人愿意聊下去了。

国内主流数字人产品盘点

目前国内做实时数字人比较有代表性的几家，定位和收费差异很大：

• 腾讯云智能数字人：主打企业级客服、播报场景，支持 2D 和 3D，按并发和时长计费，适合已有腾讯云生态的团队。cloud.tencent.com/product/ivh
• 百度智能云曦灵：偏品牌代言和直播带货，3D 超写实形象较多，提供 SaaS 和定制两种模式。cloud.baidu.com/product/xiling.html
• 硅基智能：最早做 AI 电话销售起家，数字人直播和短视频批量生产是强项，按账号和时长收费。guiji.ai
• HeyGen：海外产品，视频翻译和数字人口播做得非常顺滑，适合做多语言内容，免费额度有限，付费约 24 美元/月起。heygen.com
• D-ID：以照片生成说话头像出名，API 友好，适合集成到自己的应用里，按秒计费。d-id.com

如果你只是想快速试一下数字人视频，HeyGen 和 D-ID 的上手门槛最低；如果要做中文实时直播，国内这几家的本地化语音和合规性会更好。

选数字人时最容易忽略的三个坑

第一，口型同步不是越贵越好。很多高价方案用的是预录制动画拼接，遇到长句、数字、英文就崩，反而一些基于音素驱动的轻量方案更稳。

第二，声音比脸更重要。用户对声音的容忍度远低于画面，TTS 如果有机械感、断句奇怪，再好看的脸也救不回来。选型时一定要拿自己的业务话术去实测。

第三，并发成本会指数级上升。很多销售报价只给你看单路价格，但真实场景是几十路同时在线，GPU 成本和授权费会翻好几倍。签合同前一定问清楚并发上限和超量计费规则。

数字人适合做什么，不适合做什么

适合的场景很明确：标准化口播、重复性客服、多语言视频批量生产、7×24 小时直播挂机。这些场景对“人味”要求不高，对稳定性和成本敏感。

不适合的场景也很明确：需要深度共情、复杂谈判、创意互动的场合。数字人目前还做不到真正理解情绪和上下文，硬上只会让用户觉得敷衍。

相关问题

数字人直播会被平台限流吗？
会。抖音、视频号等平台对纯数字人直播有识别机制，建议搭配真人出镜或做差异化内容，不要纯挂机。

做一个数字人需要多少钱？
视频合成型每月几十到几百元；实时交互型年费通常几千到几万，定制 3D 形象另算，项目制可能到十万以上。

数字人能完全替代真人主播吗？
目前不能。它更适合做辅助、夜间时段或标准化内容，真人的临场反应和信任感仍是核心。

自己开发数字人难吗？
如果只是调 API 做口播视频，不难；要做低延迟实时交互，涉及 ASR、LLM、TTS、动画驱动四条链路，工程复杂度不低。

数字人需要备案吗？
在中国大陆提供面向公众的 AI 生成内容服务，需要遵守深度合成管理规定，做算法备案和内容标识，企业级产品一般会帮你处理。