笔下文学网

手机浏览器扫描二维码访问

数字人：从“虚拟偶像”到“产业帮手”的全解析（第1页）

一、数字人到底是个啥？一句话说清核心

先抛个最简单的定义：数字人就是“活”在数字世界里的“人”。不是动画片里的卡通形象，也不是游戏里的NPC（非玩家角色），而是能像真人一样听、说、动，甚至能思考互动的虚拟存在。

打个比方，你刷短视频看到的虚拟主播、打电话时遇到的智能客服、银行APP里帮你办业务的虚拟助手，这些都是数字人。它们有的长得和真人一模一样，连皱纹、发丝都清晰可见；有的是卡通风格，但说话做事透着“人情味儿”；还有的只闻其声不见其人，但能精准理解你的需求——本质上，它们都是用技术堆出来的“数字分身”或“虚拟员工”。

可能有人会问：“这和 Siri、小爱同学有啥区别？”关键就在“形象”和“交互”上。语音助手只有声音，而数字人有可视化的“人形”，还能做动作、变表情，互动起来更像和真人对话。就像同样是聊天，打电话和视频通话的感觉完全不同，数字人就是给智能语音装上了“身体”和“脸”。

还有个容易混淆的概念是“智能体”。简单说，智能体是能自主干活的智能系统，比如自动下单的机器人、导航软件里的路线规划程序，不一定有人的样子；而数字人是智能体的“特殊款”，必须长着人形（或类人形），还得会模仿人的社交行为。比如同样是客服系统，纯文字回复的是智能体，而屏幕上那个边说话边点头的虚拟客服就是数字人。

二、数字人是怎么造出来的？拆解“造人”全过程

别看数字人五花八门，从制作到能干活，都得经过“搭骨架、塑外形、装大脑、练动作”这几步。就像造机器人，先做身体，再装智能系统，最后教它怎么动。

第一步：画图纸、塑外形——给数字人“造身体”

这是数字人最直观的一步，就像给虚拟人做“肉身”，主要分2D和3D两种路子。

2D数字人最简单，有点像“会动的图片”。比如有些直播间的虚拟主播，其实是用真人照片改的，通过技术让图片的嘴巴、眼睛跟着声音动。你刷到的“AI孙燕姿”短视频，很多就是用这种技术做的——把孙燕姿的照片和AI合成的歌声结合，让图片“唱”起来。这种数字人成本低，几千块就能做一个，缺点是不够逼真，动作也比较僵硬。

3D数字人就复杂多了，相当于造一个“虚拟玩偶”。高端的3D数字人要用专门的建模工具，比如游戏圈常用的Unreal（虚幻）引擎，先搭出骨骼框架，再贴皮肤、画五官，连毛孔、胡茬、皮肤反光都得调。现在还有更省事的办法，用iPhone对着真人拍段视频，就能把人的面部表情、动作数据扫进电脑，直接生成和真人一模一样的3D模型。

当年爆火的虚拟美妆博主“柳夜熙”，就是典型的3D数字人。她的团队花了半年多，投入上百万，才做出那逼真的面部表情和动作，第一条短视频成本就高达几十万。不过现在技术进步了，通过SaaS平台（简单说就是“云端工具包”），小企业花几万块也能定制3D数字人，不用再养专业建模团队了。

第二步：装“耳朵”和“嘴巴”——让数字人能听会说

光有样子不行，数字人得能和人交流，这就需要“听觉”和“语言”系统，核心是两项技术：ASR和TTS。

ASR就是“语音识别技术”，相当于数字人的“耳朵”。你对着数字人说话，它能瞬间把声音转成文字。比如你问“今天天气怎么样”，ASR会把这句话变成文本发给后台系统。现在这技术很成熟，手机输入法里的语音转文字、智能音箱的唤醒功能，用的都是同款技术。

TTS是“语音合成技术”，也就是数字人的“嘴巴”。后台系统算出答案后，TTS能把文字变成声音。早期的合成音很机械，像“机器人说话”；现在有了AI大模型，能模仿真人的语气、声调，甚至能复刻特定人的声音。比如“AI孙燕姿”的歌声，就是用孙燕姿的真实歌曲数据训练模型，让AI学会她的声线和演唱习惯。

现在高级点的数字人还能“定制声线”。比如企业做虚拟客服，能把真人客服的声音录下来，训练成专属语音，客户打电话听到的就是熟悉的“老客服”声音，亲切感一下子就上来了。

第三步：装“大脑”——让数字人变聪明

这是数字人从“木偶”变“智能人”的关键，以前的数字人缺的就是这个，所以只能念稿子、做重复动作，现在有了大语言模型（LLM），才算真正有了“灵魂”。

早几年的数字人，“大脑”其实是预设好的脚本。比如你问它“营业时间”，它能答；但你多问一句“周末营业吗”，它可能就卡住了。就像提线木偶，只能做提前编好的动作。