数字人效果不好，问题多半出在哪

花了两万块做了个数字人，出来的片子自己都不想看：脸有点糊，说话像念通知，背景是一块灰布。第一反应是工具不行，换一家。换了一家，问题照旧。这种情况见得太多了。真正的原因，往往不在模型，而在你做之前没准备好的那三样东西。下面按排查顺序讲：先看素材，再看脚本，再看场景和参数，最后才轮到模型。

一、先按顺序排查，别一上来就怪工具

排查有顺序：素材、脚本、场景、参数、模型。前面四项决定了八成的成片质量，模型只决定最后那两成。这个比例不是精确统计，是反复试错总结出来的经验值。这个顺序很重要，因为大部分人是从最后一头开始怀疑的，结果花了钱换工具，前面四项一点没改，效果当然一样。判断方法很简单：拿同一段素材、同一份稿子，在两个工具里各生成一条，如果两条都不行，问题在前面；如果一条明显好，才是工具差异。这个测试花不了半小时，但能帮你省下几千块的试错费，换供应商之前一定做一次。

二、素材：最容易被糊弄的一环

常见问题有五个：光打得太平，脸没有立体感，克隆出来像贴图；背景太杂，抠像边缘毛糙；收音有回声，克隆出来的声音发闷；拍摄时头动得太多，模型学到的动作幅度过大；素材时长不够，只有一两分钟，模型见过的表情太少。这些都不是技术问题，是拍摄问题。判断也简单：把素材原片和成片并排放，看是哪一环丢了信息。补拍一次的成本，往往比换一套工具低得多。要求也不复杂：正面均匀光、纯色背景、安静房间、口播三到五分钟、表情自然别僵着。补一条容易忽略的：录素材时不要念稿，念稿会产生一种固定的上扬语调，克隆之后很难改掉，用自己的话讲一遍，效果通常好得多。

三、脚本：决定像不像人说话

数字人念起来像念课文，九成是稿子的问题。书面语有三个特征最容易露馅：句子太长、连接词太多、没有口语的重复和停顿。还有一个隐性特征：每句话的信息密度都一样，听的人没有喘息。改法很具体：一句话不超过二十五个字；把因此、从而换成所以、这么一来；每讲完一个意思，加一个短句收一下，比如就这一点；把专业词换成大白话，第一次出现时补一句解释。改完自己念一遍，念着别扭的地方就是该改的地方，这比任何调参都管用。还有一个技巧：把长句拆成两三条短句分别生成再拼起来，口型和停顿都会自然，代价是剪辑多花十分钟。

四、场景与参数：被忽略的两成

剩下的两成，通常输在这些细节上。这四项改动都不需要重做形象，改完重新生成即可。其中最影响观感的是场景匹配和镜头节奏，语速和停顿属于微调。

• 场景不匹配：卖农产品用科技蓝背景，观众会觉得假；讲儿童内容用深色办公室，气质不对。
• 镜头太死：全程一个机位怼脸，超过四十秒观众就疲，中间插一段产品特写或字幕板。
• 语速太快：默认为偏快，调到每分钟两百字左右更接近真人闲聊的节奏。
• 没有停顿：句间留零点三到零点五秒，观感立刻不一样，这一点改动成本最低。

五、什么情况下才真的是模型问题

有三种情况，换工具确实有用。一是口型在正常语速下明显对不上，且换了稿子依然如此。二是侧脸、低头、走动时形象崩坏，而你的内容确实需要这些动作。三是并发上不去，直播间一多人就卡。这三种情况都属于工具能力的硬边界，靠改稿改不出来。除此之外，绝大多数效果不好都能在素材、脚本、场景里找到原因，而且往往是三样同时有问题。判断标准很实在：把同一份改好的稿子和素材拿去试，如果效果上来了，说明你之前差的不是模型，是准备。顺便提醒：供应商演示用的素材，通常是打磨过的样板，跟你的实际素材不是一回事，一定要拿自己的素材试。

数字人效果差，先别急着换供应商，把素材、脚本、场景这三样逐条对一遍。改这三样不花钱，换工具要花钱，而且大概率换完还是一样。