AI 数字人实战：方案对比、驱动方式、素材要求与局限

做知识口播的时候，我研究过一轮数字人。结论是：它是目前 AI 视频里性价比最高的一块，但同时限制也很明确。这篇把选型和实操要点说清楚。

一、两类方案：云端 SaaS 和本地开源

我的选择：量大且要固定形象的走本地，偶尔做几条或者要高质量成品的走云端。

二、三种驱动方式

1. 音频驱动口型：给一段音频，让人物的嘴跟着动。这是最常用的一类，也是数字人口播的基础。口型同步精度现在做得相当好，配合本地 TTS，一条 3 分钟的口播可以全自动。
2. 视频驱动：拍一段真人的动作视频，把动作迁移到目标人物上。用来做舞蹈视频、手势、表情。素材要求高，效果起伏也大。
3. 模板驱动：平台预置的动作模板，比如站立讲解、坐姿播报、挥手。最省心，但动作很有限，看多了会腻。

三、素材要求

这块决定了成品下限，比模型选择更重要。

照片/视频素材：

• 正面、平视，脸不要有大幅侧转（超过 30 度基本崩）
• 光照均匀，别有大片阴影和逆光
• 无遮挡：头发不遮脸、不戴墨镜、手不挡嘴
• 分辨率 1080p 以上，越大越好
• 背景尽量简单，纯色或虚化背景最佳
• 做动作迁移的，肩膀要完整入镜，动作幅度别太大不要出画

音频素材：

• 干净无杂音，参考音频那套规则同样适用
• 语速均匀，别忽快忽慢
• 用本地 TTS 生成时，语速调到 0.95 到 1.05 之间最自然，太快嘴会跟不上

我常用的做法是先用 AI 生成一张满意的人物形象图，再拿它做数字人。好处是不用真人出镜，也不涉及肖像权问题。

四、适合什么场景

做得比较好的：

1. 知识口播、产品讲解、课程录制。这是数字人的主场，画面简单、只需要嘴和表情。
2. 多语种译制。同一段内容换十种语言，换音频就行，成本低到离谱。
3. 客服问答、播报类内容。固定话术、固定形象。
4. 舞蹈、变装这类短视频模板。玩法成熟，出片快。

五、绕不过去的局限

1. 手部动作基本没法看。数字人手部崩坏是行业难题，所以别拍到手，构图卡在胸部以上。
2. 多人同框很难。一个人能做好，两个人就互相干扰。
3. 大动作和转身会崩。只能做小幅姿态变化和表情。
4. 情绪表达弱。它能笑，但笑不出层次。需要感染力的内容，真人还是不可替代。
5. 正脸侧转超过 30 度就变形。分镜设计时要避开。
6. 缺乏临场感。观众看久了会觉得"假"，所以数字人内容更依赖脚本质量，画面本身撑不起吸引力。

六、合规，一定要做

两条硬要求：

1. 深度合成内容需要显著标识。国内对 AI 生成的音视频有标识要求，发布时按平台提示如实勾选。
2. 用真人形象必须拿到肖像授权。这条是底线，尤其是商单。用 AI 生成的人物形象可以绕开这个问题，是目前比较干净的做法。

另外，生成的数字人形象如果要长期商用，注意看平台协议里对商用范围、是否保留水印的规定，各家差别不小。

七、结论

数字人现在最划算的用法是：把"出镜"这个环节自动化，把精力放在脚本和选题上。

它解决的是"我不想/不能出镜"的问题，解决不了"内容不好看"的问题。指望数字人救活一个烂脚本，基本没戏。