面部驱动技术：摄像头怎么抓到你的表情

你对着镜头录了一段自我介绍，想给自己做一个数字人分身。成片出来，嘴型对得上，可整张脸像打了过量肉毒，笑的时候只有嘴角在动，眼睛一点没变。这不是模型不行，是面部驱动这一环出了问题。它要做的事其实很朴素：从摄像头画面里读出你的表情，再照着做一遍。

一、第一步是找人脸：在画面里钉几十颗钉子

机器看一张脸，第一步不是理解情绪，而是定位。它会在脸上找出几十个固定位置：眼角、鼻翼、嘴角、眉峰、下巴轮廓，行业里把这些位置叫关键点。就像裁缝量体，先在你身上定几个基准点，后面的尺寸才量得准。这一步靠的是训练过的图像模型，它见过上百万张标注好的人脸，知道眼睛大概长什么样、鼻子大概在哪个位置。现在多数方案会分两级来做：先把整张脸粗粗框出来，再在框里精确定位，就像先用地图找到城市，再去找街道和门牌，两级下来稳定性好很多。关键点定住了，机器才知道这张脸此刻是什么形状：嘴角是往上还是往下，眼睛是睁着还是眯着，眉毛是平着还是皱着。所以摄像头画质差、光线乱，定位就先歪了，后面的表情自然跟着歪。

二、从点到表情：几十根推子一起动

有了关键点，还要把它翻译成数字人能听懂的语言。行业里的做法叫表情基，英文叫 blendshape。你可以把它想成一排调音推子：左边第一根管嘴角上扬，第二根管眉毛下压，第三根管眼睛闭合，几十根推子各管一个细微变化，全部归零就是一张没有表情的脸。真人笑的时候，机器先算出这次笑需要哪几根推子、各推到什么位置，再把这一组数值发给数字人，数字人照着把推子推到同样位置，表情就复现了。所以数字人的表情丰富不丰富，就看它的推子有多少根、每根推得有多细。

三、表情为什么会僵：三个绕不开的限制

第一是推子不够用。真人脸上有四十多块表情肌，能组合出的表情成千上万，而多数方案只有几十根推子，只能覆盖大笑、皱眉、惊讶这些大类，中间那些说不清道不明的过渡表情就丢了。第二是幅度被压平。为了不让画面崩掉，很多系统会给表情设一个安全上限，笑起来只到七成，久了就显得客气而疏远。第三是缺少微表情。真人说话时眉毛会不自觉跳一下，鼻翼会轻轻动，眼球会微颤，这些幅度极小的动作恰恰是活着的信号，而它们最容易被省掉。这三条限制叠在一起，就形成那种说不上来的僵感：五官都在动，可它们动的时机和幅度不像同一个人在同步发力。

四、眼神是最后一道坎

还有一处特别难：眼睛。真人的眼球一直在微微转动，看镜头时会有焦距的变化，眨眼也不是均匀的，而是一会儿快一会儿慢。数字人的眼睛如果只是定时眨一下、瞳孔固定不动，观众说不出哪里怪，但就是觉得不对。这也是为什么有些团队宁可让数字人戴一副眼镜，用镜片反光遮住眼神的呆板。想让眼神活起来，通常要给眼球单独加一层驱动，让它随着说话内容做小幅扫视，眨眼间隔也做成随机的，而不是固定每四秒来一次。

五、素材质量决定效果上限

同一套算法，喂不同素材，结果差很远。用手机前置摄像头在昏暗房间里随便拍，画面噪点多、脸部细节糊，机器抓关键点就会飘，最后表情也跟着抖。用相机在均匀光线下拍，脸部轮廓清楚、没有强烈阴影，效果立刻上一个台阶。另外要注意，戴框架眼镜会有反光，留厚刘海会挡住眉毛，浓妆会改变轮廓判断，这些都会让驱动变差。想少走弯路，拍摄时记住三条：光线均匀、脸不遮挡、正对镜头。还有一个容易被忽略的变量是说话内容本身，念产品参数和讲一个笑话，脸上该有的活动量差很多，脚本干巴巴，再好的驱动也只能照着干巴巴地演。

判断一个数字人的表情做得如何，别在它笑的时候看，在它不说话的时候看。真人静下来，脸上仍有细微起伏；数字人静下来，往往就凝固成一张照片。这中间那点动静，就是这项技术的全部功夫。