一个AI数字人由哪四部分组成

很多人以为数字人就是一个视频文件，导出来、发出去，事情就完了。其实它更像一台拼装起来的机器，四个零件咬在一起才转得动，少一个就卡住。你看到的那张会说话的脸，背后至少有四层东西在同时工作：长什么样、声音从哪来、说什么内容、谁让它动起来。把四层拆开看，你就能明白为什么有的数字人贵十倍，也明白为什么换个声音比换个脸便宜得多。下次跟供应商聊，你能准确指出自己要改的是哪一层。

形象层：那张脸和那副身体

形象层管的是看起来像谁。它可以是真人素材训练出来的二维形象，也可以是从零建模的三维角色。这一层的核心资产是素材和模型，不是软件。做得好不好，看三个细节：皮肤在动的时候会不会糊、发丝边缘干不干净、脖子和肩膀的连接自不自然。这三处是行业里公认的难点，也是最容易看出档次的地方。形象层还有一个隐性成本：版权。用真人素材要有授权，用明星脸要有合同，用自己员工的脸也要写清楚使用范围和期限。很多项目预算里没算这一块，做到一半才发现不能用，只能返工。所以形象层不只是技术问题，它同时是一个法务问题。

声音层：嗓子是可以单独换的

声音层是四层里最容易被低估的一层，也是性价比最高的一层。它可以独立于形象单独替换，换一个音色通常只需要重新训练一小段样本，成本远低于重做形象。这一层的技术叫语音合成，说白了就是用程序把文字读出来，如果再加入真人样本，就叫声音克隆。它的质量取决于三件事：发音准不准、停顿自不自然、情绪有没有起伏。发音准不准看它对多音字和数字的处理，停顿自不自然看它敢不敢在该喘气的地方停半拍，情绪则看它能不能在一段话里做出高低变化。很多数字人视频让人觉得假，问题不在脸，在这三件事上。

大脑层：它凭什么知道该说什么

大脑层决定内容，通常由大模型承担。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。这一层有两种工作模式：一种是照稿念，你给一段写好的文字，它一字不改地输出，适合口播和播报；另一种是自由对话，它要先听懂对方的问题，再组织答案，适合客服和导览。两种模式对大脑层的要求完全不同，前一种只要不出错，后一种还要不出格。出格是这一层最大的风险：模型可能编造事实，也可能被用户的话带偏，说出不该说的内容。所以真正上线的项目，大脑层外面通常还要套一层规则，把不能说的话提前挡掉。

驱动层：把三层缝在一起的那根线

驱动层是最不显眼但最要命的一层，它负责让脸跟着声音动。专业说法叫唇形同步，说白了就是让嘴巴的开合对上正在念的那个字。中文比英文难做，因为中文音节短、同音字多，一个口型可能对应好几个字，模型容易含糊过去。多音字同样难，同一个字在不同词里嘴形不一样，它只能按最常见的那种处理。驱动层还要管眨眼、点头、呼吸起伏这些细微动作，做得好的时候你根本注意不到，做得差的时候整段视频就像一张贴纸在晃。判断方法很简单：找一句带爆破音的句子让它念，盯着嘴唇看闭合那一瞬间，对不上就是驱动层不行。这一层出问题，前面三层做得再好也白搭。

四层里哪一层最容易拖后腿

按经验排个序：驱动层最容易露馅，声音层最容易被忽略，大脑层最容易出事，形象层最花钱。这也解释了市面上的报价逻辑：便宜的套餐通常只给你形象和基础声音，驱动是通用模型，大脑只支持照稿念；贵的方案会在驱动和大脑上做定制，价格自然翻几倍。

• 想快速出片，优先保证形象和驱动，声音选现成音色就够。
• 想做客服和导览，钱要花在大脑层，规则和知识库比脸重要。
• 想做长期账号，四层都得稳，任何一层短板都会在第一百条视频上暴露。