跑一个实时交互数字人，需要什么硬件

打算做实时交互数字人的人，第一次问价通常会被吓一跳：同样是数字人，有人说一台笔记本就够，有人说要买一张几万块的显卡，还有人说必须上服务器。这三种说法都不算错，差别在于你要它同时服务几个人、画面到什么精度、能不能接受延迟。这篇把硬件这件事按需求分档讲清楚，让你知道钱该花在哪，哪部分其实可以先不花。

先分清两件事：做视频和实时对话

很多人把这两件事混在一起。做视频是离线生成，一段三分钟的口播，机器慢慢算，算十分钟也没关系，普通带独立显卡的笔记本就能跑。实时对话是另一回事，观众说完话，系统要在很短的时间里完成识别、生成、合成、渲染，慢一点就露馅。这两个场景对硬件的要求差着一个量级。如果你只是做短视频，别被卖服务器的方案带跑；如果你要做实时交互，笔记本基本撑不住几个人同时用。一个简单的判断办法：如果你需要它在一秒之内接住一句话，那就是实时；如果晚几秒也没关系，那就是离线。

一台机器能撑几个并发

并发这个词说白了就是同时有几个人在用。实时数字人的算力消耗主要在三块：语音识别、大模型生成、画面渲染。前两块可以放到云端按量付费，真正吃本地硬件的是渲染。经验上，一张消费级的中高端显卡，跑一个精度中等的实时形象，通常能撑一到三个并发；专业级显卡能到五到十个；再往上就得靠多卡或者专门的渲染服务器。这些数字会随形象精度、分辨率、帧率变化很大，所以别信任何精确报价，先拿自己的素材实测一遍再说。实测的方法不复杂：同时开三路对话，各问十句长问题，看有没有哪一路开始卡，卡了就是到顶了。

三个档位，对应三种需求

下面按三种常见需求给个大致分档。价格只写成区间，因为同一档位里品牌和渠道差别很大，采购前最好拿自己的素材去实测，别只看演示视频。演示通常是在最优条件下录的，你自己的形象素材、灯光和网络，才是决定效果的那一半。

云还是本地，各有各的账

云端的好处是不用一次性投入，按小时或者按并发付费，业务量小的时候很划算，扩容也快。坏处是依赖网络，网一抖，画面就卡，而且长期跑下来总费用会超过买设备。本地的好处是稳定、可控、数据不出门，坏处是闲置时也在折旧，还要有人会维护。比较实用的做法是混合：日常用云，重要场次用本地兜底，或者反过来。判断标准可以看一条：如果每个月用不满一定小时数，云更划算；如果天天跑满，本地会省下不少。还有个折中方案是租云上的独占实例，价格比按量高，但比自建省心，适合每场直播时间固定的团队。

最容易被漏算的三笔钱

第一笔是带宽和专线。实时交互对上行带宽有要求，办公室普通宽带到高峰期会抖，一条稳定的专线每月开销不小。第二笔是运维，设备会坏、驱动会冲突、系统会更新，得有一个人能处理，这个人的时间往往比设备还贵。第三笔是备用方案，真正商用的时候，主机挂了要有备机，网络断了要有备用线路，这些冗余平时看不出价值，出事那天就是全部价值。算预算的时候把这三笔加进去，很多方案的真实成本会比报价高出一截。预算里留出一成到两成的余量，项目通常能跑得从容一些。

建议先花最少的钱跑通一次真实场景：一台机器、一个形象、五个真实用户，看延迟能不能接受、画面会不会崩。跑通了再加设备，比一次买齐再发现问题要便宜得多。另外提醒一句，别拿样机演示当验收标准，验收要按你自己的网络和素材，连续跑满两小时。