撑起AI数字人的四项核心技术

你在手机上刷到一个数字人讲咖啡机怎么用，语速平稳，表情也不僵，很容易下意识认为这就是某个店员录的一段视频。可它其实是四拨互不相识的工程师分别做出来的东西拼在一起的：一拨人负责它长什么样，一拨人负责它怎么动，一拨人负责它的嗓子，还有一拨人负责它脑子里该说什么。看懂这四件事怎么分工，你就能明白为什么有的数字人看着自然，有的看一眼就想划走。

一、长相：把人做成一个能摆弄的立体模型

第一项技术是形象，行话叫三维建模。说白了就是在电脑里把人搭成一个立体的、可以转着看的东西，过程很像搭乐高：先立一副骨架，再糊上一层皮，最后贴五官、贴头发、贴衣服。搭完之后，这个人在电脑里就是一个真正的物件，你可以从侧面看它，可以让它转身，可以给它换外套。另有一条更省事的路：不搭模型，直接请真人拍一段视频，把画面按角度切成无数张薄片存起来，需要哪个角度就翻出哪一张。前一条路自由，能做出任何动作；后一条路快，但可动范围被拍摄时的机位框住了。这就是为什么有的数字人只能坐着说话，有的能站起来走两步。

二、动作：驱动，让模型真的动起来

第二项是驱动。模型搭好以后只是一尊雕塑，它不会自己抬手。驱动是一套告诉它现在该动哪根骨头的指令系统。常见做法是请真人穿上带传感器的动作捕捉服，把真人的关节角度一路记下来，再原样套到模型身上；另一种做法不用真人，让程序根据文字自己推算该配什么手势。驱动直接决定数字人活不活。同一张脸，驱动做得好，点头的幅度、眨眼的间隔、说话时肩膀的轻微晃动都接近真人；驱动做得糙，它就像一个被人提着线的木偶，动作方向都对，可就是没有重量感。

• 动作更新越频繁，看着越顺，代价是算力更贵
• 手指最难做，很多数字人干脆把手藏在桌子下面
• 长时间不说话时必须有细小的微动作，否则像画面卡住了

三、声音：语音合成，把文字变成人声

第三项是语音，行话叫语音合成，缩写是 TTS，直白讲就是打字进去、声音出来。它不是把每个字单独录一遍再拼起来，那样拼出来会像老式导航念经。现在主流的做法，是让机器先从大量真人录音里学出规律：什么字发什么音、一句话说到结尾该往上扬还是往下压、哪里该换气。学完之后，你给它一段新文字，它现场生成一段从没存在过的声音。所以同一句话可以让它快一点、慢一点、柔和一点。声音这一项特别影响可信度，画面有点瑕疵人眼未必抓得住，但只要那股平直的腔调一出来，观众立刻知道这是机器。

四、大脑：大模型，决定它说什么

第四项是大模型，就是那种读过海量文字、能顺着你的话往下接的程序。前三项解决像不像人，这一项解决说得对不对。没有大模型的时候，数字人只能说事先写好的稿子，你一打岔它就只能重复上一句。接上大模型之后，它能根据你的问题临时组织语言，还能记住前两句聊了什么。这里要泼一点冷水：大模型并不真的懂你的生意，它只是极其擅长接话。所以靠谱的做法是给它配一份资料库，让它先查再答，查得到就照实说，查不到就说不知道，而不是硬编一个答案。

五、四项拼在一起，短板决定观感

在真实项目里，这四项经常是分开采购、分开调优的，所以很容易搭配失衡。常见的失衡就长成下面这样。

有的团队把脸做得极精致，声音却用最便宜的通用音色，结果一张精雕的脸配一副播报腔，比粗糙的更假。也有的团队声音很自然，驱动却只做了嘴，说话时脖子肩膀一动不动，看着像一张会开合的证件照。所以判断一个数字人做得好不好，别只盯着它像不像明星，要看这四段里哪一段明显掉队。整体观感往往由最弱的那一环决定，就像木桶装水，最短的那块板说了算。

下次再看到数字人视频，你可以按四项挨个打分：样子、动作、声音、答话。四项里只要有一项发虚，整体就会露馅。这也是挑工具时最省力的办法，别管宣传里说用了多少个模型，直接看这四段有没有一段明显跟不上，问题基本就定位了。