AI数字人到底是什么？用一句话给你讲明白

晚上十点多刷短视频，一个穿浅色衬衫的男主播在讲保险，语速稳、手势自然，评论区不断有人问这是真人吗。你盯着看了几秒，发现他眨眼的间隔特别均匀，笑起来嘴角的弧度每次都一样。这种画面现在到处都是，它背后就是大家常说的AI数字人。这篇不堆术语，先用一句话把它讲明白，再把它的三个组成部分拆开给你看，最后告诉你普通人怎么用肉眼快速分辨，看完你刷到类似视频心里就有数了。

一句话：它是会说话的软件分身

把AI数字人翻成大白话，就是一套装在电脑里的软件，它顶着一张人脸、用一副人声，把给定的文字念出来，嘴型、表情、手势跟着一起动。你可以把它当成一个背台词极快的演员：台词是文字，脸和嗓子是提前录好或者做出来的，中间那一步交给程序去算。所以它既不是真人躲在镜头后面配音，也不是一段循环播放的录像，而是每换一段新文字就能现场生成一段新画面的东西。行业里管这个叫生成，意思是不存成片，而是临时做一条出来。明白了这一点，后面所有的能力和限制都好理解了：它能生成成什么样，取决于你喂它什么素材、给它什么文字。

第一件事是形象：一张会动的脸

形象就是观众看到的那张脸和那副身体。目前主流有两种做法。一种是拿真人素材训练出来的，行业里叫二维超写实，说白了就是照着一段真人视频学，把一个人说话时的神态、皮肤纹理、发丝都记下来，生成出来几乎和真人一样。另一种是从零建模的三维形象，可以做成卡通，也可以做成半写实，好处是随便换角度、换衣服、换背景，不怕素材里没有。前者像给真人拍了一张会说话的照片，后者像一个可以转动的玩偶。形象决定了第一眼印象，也决定了观众愿不愿意停下来看三秒，但它只是外壳，光有脸没有内容和声音，撑不住一分钟。

第二件事是声音：一副能念新词的嗓子

声音是很多人忽略的一层，其实它比脸更容易露馅。数字人的声音大多来自语音合成，意思是用程序把文字转成人声，常见做法是先录一段真人声音做样本，让程序学会这个人的音色和说话习惯，之后任何新文字都能用这个嗓子念出来。它和找配音演员的区别在于：配音演员每换一篇稿子就要重新进棚，而克隆出来的声音可以无限次使用，半夜三点也能立刻出活。判断声音好坏有三个土办法：听它念数字和英文缩写顺不顺、听长句子中间会不会突然没气、听句尾是不是每句都往下掉。这三处最容易暴露机器味。

第三件事是大脑：决定它说什么

大脑指的是背后那个负责想内容的程序，现在多数是大模型，你可以把它理解成一个读过大量文字、特别会接话的文本机器。它决定数字人是照稿念，还是能听人提问再回答。照稿念最简单，你给一段文字，它照着说，适合口播视频；能对话就复杂得多，需要先把它听到的话转成文字，让大模型想好怎么答，再把答案转成声音和口型，中间任何一步慢了，观众就会觉得它在发呆。所以同样是数字人，一个只会念稿，一个能跟你聊三分钟，背后的成本差着好几倍。选工具时先问清楚：它到底是被文字驱动，还是被对话驱动。

普通人怎么快速判断一段视频是不是数字人

不用懂技术，看三个地方就够了。第一看眨眼，真人的眨眼间隔不规律，数字人往往均匀得像节拍器，或者长时间不眨。第二看口型，让它念一句带爆破音的话，比如包含波、坡、摸这类字的句子，数字人的嘴唇闭合常常对不上。第三看手，手是生成模型最头疼的部位，手指数量、关节弯曲、手和桌面的接触最容易出问题，很多片子索性把手裁掉或者一直放在画面外。另外，正规平台现在要求对人工智能生成的内容做标识，视频角落或简介里可能有一行小字说明，这也是一个参考。三条里中两条，基本可以判定。

记住一句话就够了：AI数字人是把形象、声音、大脑三样东西拼起来的软件分身，判断它靠不靠谱，别看宣传片，看它念一段你自己写的稿子。下次再刷到疑似数字人的视频，不妨截个图，专门盯住手指和嘴唇看一眼，这个动作比看十篇评测都管用。