数字人就是录像循环播放吗

凌晨一点刷到一个卖枕头的直播间，主播一直在讲同一段话，语速平稳，笑容不变。评论区有人问这是真人吗，没人回答。很多人看到这种画面，第一反应就是：这不就是把一段录像放一晚上吗。这个判断对了一半，也错了一半。数字人确实有播的成分，但播的是什么差别很大，一种是一个已经存在的文件，一种是当场算出来的画面，两者的成本、能力和用法完全不同，判断错类型就会得出相反的结论，要么觉得它没什么用，要么觉得它无所不能，两种判断都会让你花冤枉钱。

一、先分清预生成和实时驱动

预生成的意思是：先把文字写好，机器按这段文字生成一段视频文件，再把这个文件拿去发布或者播放。你改动一个字，它就要重新生成一遍，画面里的口型、表情、手势全部重算。实时驱动的意思是：没有现成的文件，观众说什么、系统查到什么，它就当场生成那一帧画面，说完就没了，下一秒又是新算的。打个比方，前者像提前烤好的面包摆在货架上，后者像现做的，你点单它才下锅。两类都需要文字做原料，但一个有成品库存，一个没有。

二、预生成这一类，其实每次都是重画的

很多人以为预生成就是录一次、反复用。实际流程是：写稿、分段、生成语音、把语音和口型对齐、渲染画面、合成字幕。同一套形象，换一篇稿子就是一条全新的片子。所以它并不是循环播放同一段内容，而是同一张脸反复演不同的戏，这也是为什么同一套形象能同时支撑好几个不同主题的账号。它的好处是稳定、便宜、可以批量，一条几十秒的口播，成熟工具几分钟就能出片，一条几十秒的口播，成本常常只有几元到几十元，这也是它能被大量使用的原因。坏处是它不会应变：直播间有人问这个枕头多高，预生成的画面答不出来，除非你提前把这个问题写进稿子里。

三、实时驱动这一类，画面是现场算出来的

实时驱动要同时做四件事：听清观众说了什么、想出一个回答、把回答变成语音、把语音变成表情和口型。这四步都要在一两秒内完成，所以对算力要求高，通常要专门的显卡服务器撑着，任何一步慢了，画面就会卡住或者答非所问。它能追问、能纠错、能被打断，也会犯错——知识库没覆盖的问题，它可能答得很自信但内容是错的。这就是为什么真正跑得好的实时数字人直播间，背后几乎都有人盯着，随时准备接管。成本上也有个大致规律：实时驱动的每小时开销，通常是预生成一条片子的几倍到几十倍，所以它只适合用在真会有人提问的场合。

四、两类到底差在哪

把差别摊开看，最直观的是这几项。

五、怎么一眼看出你看到的是哪一种

三个观察点。第一，看它有没有听的动作：真人被提问时会有一个极短的停顿和眼神变化，预生成的画面永远按自己的节奏走，评论区刷得再凶它也不理。第二，看内容重复度：如果半小时里三段话一模一样、连停顿位置都相同，基本是文件在播，真人很难把同一段话说到分毫不差。第三，看它会不会答非所问：实时系统答错时往往错得很具体，预生成系统则是完全不理会。注意，这三条只能帮你判断类型，不能判断好坏，也不代表实时就一定比预生成高级。很多正规商家就是用预生成做夜间值守，成本低且不出错。另外补一句：预生成不等于低质，一条认真写稿、认真调参的片子，观众基本看不出它和真人的差别。

看到数字人直播，别急着下结论说这是假的。先分清它是提前生成还是当场算出来的：前者是内容，后者是服务。你要买的是哪一种，决定了你该花多少钱，也决定了它能不能接住观众的问题。