数字人（Digital Human） 是一种由软件创建或驱动、能够以接近人类的方式呈现外观、动作、语言或互动的数字角色。它既可以是一段预先生成的 AI 主播视频，也可以是能够实时交流的数字客服，或者是游戏和虚拟世界中的 3D 角色。
因此，“数字人”并不指某一种固定技术。搜索数字人生成器的人，可能想让一张照片开口说话，给已有视频替换新语音，制作一个实时客服，也可能想创建能在新场景中行动的虚拟角色。这些目标需要不同的产品和制作方式。
对普通创作者来说，最实用的问题其实是：
你手里已经有什么素材，又想得到什么样的视频？
这篇文章贯穿着一个实用原则：
保留已经可用的部分，只生成项目中缺失的部分。 按照这个原则，就更容易判断应该让照片开口说话、给已有表演替换语音，还是根据参考素材创建一段新场景。
什么是数字人？
判断一个角色是否属于数字人，关键并不在于它看起来有多逼真，而在于它的身份或表演中有哪些部分是由数字技术创建和控制的。
它的外观可以是真人写实风格、动画风格、二维虚拟形象或完整的三维角色；它的表演可以由录制音频、文字脚本、动作参考、AI 模型或实时对话驱动。也正因为如此，“数字人”“AI Avatar”“虚拟人”和“数字角色”经常被混用，但它们并不总是在描述同一种产品。
一个实用的判断边界是：
只要软件参与创建、驱动或控制一个类人形象或人物表演，它就属于广义的数字人范畴。
现在很多数字人会使用 AI，但 AI 并不是唯一基础。通过传统 3D 建模和动作捕捉驱动的角色，同样可以称为数字人。AI 数字人通常进一步加入语音生成、面部动画、语言理解或参考视频生成等能力。
数字人技术是如何工作的？
数字人技术可以拆成几个层次，不是每一种产品都会包含全部层次。
1. 人物外观
数字人首先需要一个可以被看见的形象。它可能来自一张人物照片、一段真人录像、设计好的二维 Avatar，或者一个完成绑定的 3D 模型。有些系统强调保留真人身份，有些则用于创建虚构角色。
2. 语音与音频
角色可以由上传的真人语音、文字转语音、克隆声音或实时麦克风输入驱动。在预生成视频中，音频通常决定说话时长和表演节奏。
3. 面部动画与口型同步
系统会把语音中的声音映射成嘴型、表情、眨眼和头部动作。这一层可以通过
AI Avatar 让静态照片开口说话，也可以通过
Lip Sync AI 让已有视频中的人物匹配一段新的语音。
4. 动作与场景生成
一些
参考视频驱动的动作控制工作流并不只处理面部，而是将参考视频中的身体动作、姿态和表演节奏迁移到人物图片。更广义的参考生成还可以影响镜头运动、视觉风格和构图。
5. 智能与实时互动
这一层不是必需的。对话式数字人客服通常会组合语音识别、大语言模型或业务知识库、语音合成和实时动画，使角色能够理解问题并立即回应。预先生成的 AI 主播视频不需要这一层，因为它播放的是提前准备好的内容。
市场上的产品也反映了这种跨度：MetaHuman 重点解决写实 3D 角色创建与动画，NVIDIA ACE 提供语音、智能、动画和渲染等开发技术，而腾讯云 AI 数字人同时覆盖合成视频和实时互动。它们都属于数字人技术，但解决的并不是同一个问题。
上面五个层次说明的是
一个数字人可以由什么组成；下面三种类型说明的则是
市场上的产品如何组合并交付这些能力。
数字人的三种主要类型
| 类型 | 工作方式 | 常见用途 | 典型结果 |
|---|
| 预生成 AI 讲解者 | 通过照片、Avatar、脚本或音频生成表演 | 营销、培训、产品讲解、社交视频 | 可下载的视频 |
| 对话式数字人 | 通过语音识别和 AI 或知识系统实时回答 | 客服、导览、虚拟助手、终端设备 | 实时互动体验 |
| 3D 数字角色 | 对完成绑定的三维模型进行动画和渲染 | 游戏、虚拟制作、仿真、沉浸式体验 | 实时或渲染后的 3D 角色 |
预生成 AI 讲解者
这是普通创作者最容易使用的一类数字人。用户提供人物照片、声音、脚本或已有片段，系统生成可以编辑、下载和发布的视频。它不需要实时听懂观众的问题。
对话式数字人
对话式数字人是给对话式 AI 加上可见、可说话的人类界面。一些数字人平台会将这类角色作为互动智能体，使其能够连接知识并部署到不同的数字环境中。这类平台往往需要实时语音处理、对话编排和业务系统集成。
因此，一个完整的数字人平台可能同时包含形象设计、对话智能、部署工具、分析能力和业务数据连接，而不仅仅是视频生成。
实时 3D 数字角色
这类角色需要在镜头、光线、身体姿态和环境不断变化的场景中工作，通常涉及角色绑定、动画管线、渲染引擎和更多开发投入，与浏览器里的数字人视频生成器不是同一类产品。
数字人、AI Avatar 和 Chatbot 有什么区别？
这些词存在重叠，但可以用下面的方式理解：
| 概念 | 通常强调什么 | 必须说话吗？ | 必须实时回答吗？ |
|---|
| 数字人 | 广义的类人数字体验 | 不一定 | 不一定 |
| AI Avatar | 由 AI 生成或动画化的视觉身份 | 不一定 | 不需要 |
| 说话人像 | 由语音驱动的面部表演 | 是 | 不需要 |
| 对话式数字人 | 可见、可说话的对话智能体 | 是 | 通常需要 |
| 3D 数字人 | 完成建模和绑定的三维角色 | 不一定 | 不一定 |
所以，AI Avatar 可以是数字人的一种；Chatbot 可以作为数字人的智能部分，但只有文字界面的 Chatbot 本身不属于数字人；一张会说话的照片也可以是一段数字人视频，但它并不是可复用的 3D 角色或实时智能体。
数字人可以用来做什么？
当一张照片已经足够：营销和培训
AI 数字人讲解者可以介绍产品功能、解释活动信息，也可以用于课程开场、员工培训和内部说明。当讲稿和音频已经准备好，但没有真人表演视频时，照片驱动的 AI 讲解者通常是最直接的方式。
当已有表演值得保留：本地化和内容复用
如果团队已经有一段表现良好的讲解视频，重新生成整个场景反而可能丢失原有的肢体动作、镜头和节奏。这时更适合替换音频并同步人物嘴型，用于配音、替换台词和制作本地化版本。
当人物表演也要改变：社交媒体和角色场景
当目标不只是让人物开口说话，而是需要新的动作、镜头或环境时，可以使用参考生成。它适合角色短视频、虚拟主持人、风格化营销内容，以及由人物或角色推动的社交媒体场景。
当项目并不是预生成视频
数字客服、虚拟导览、游戏角色和仿真参与者也可以属于数字人，但它们需要另外一类产品。实时助手依赖对话基础设施，而 3D 角色则依赖角色绑定、动画系统和渲染引擎。
如何选择 VidGen 的数字人制作方式？
VidGen 当前主要解决的是
数字人视频创作。最合适的工具取决于你的起始素材，以及你希望保留哪一部分内容。
选择时可以遵循同一个原则：保留已经可用的部分，只生成缺失的那一层。
这四条路径可以得到相似的数字人效果，但并不能完全互换。AI Avatar 把照片作为人物外观来源，并生成缺失的说话表演；Lip Sync AI 沿用已有视频中的人物动作、镜头和表演，只改变语音；Motion Control 将参考视频中的身体动作和表演节奏迁移到人物图片；更广义的参考生成会创建一条新视频，因此模型对人物、动作和场景细节有更大的解释空间。
示例一：用人物照片制作会说话的数字人
如果你已经有清晰的人物照片和完成的语音，可以选择这条路径。
**输入：**一张人物照片和完成的语音。**方法：**根据音频生成照片中缺失的面部表演。
- 打开 VidGen AI Avatar。
- 上传一张正面清晰、格式受支持的人物照片。
- 上传希望人物说出的 WAV 或 MP3 音频。
- 描述期望的表演方式，例如表情、节奏和头部动作。
- 选择分辨率并生成，发布前检查面部动作和音频效果。
它适合产品讲解、公告、课程开场和 AI 发言人内容。面部无遮挡的清晰照片和干净语音，通常能给模型提供更明确的信息。
生成后的 AI Avatar 视频：
示例二：给已有视频匹配一段新语音
当人物的动作、画面和表演已经存在，只需要替换说话内容时，应选择 Lip Sync AI。
**输入：**一段已有的人物视频和新的音频。**方法：**保留原有表演，只重新生成嘴部动作。
- 打开 VidGen Lip Sync AI。
- 上传一段说话者面部清晰可见的 MP4 或 MOV 视频。
- 上传新的 MP3 或 WAV 音频。
- 生成同步版本，并重点检查快速语句、复杂发音和侧脸片段。
这条路径适合视频配音、替换台词、本地化版本和已有讲解视频的二次利用，不需要从一张静态照片重新创建整段表演。
原始视频输入：
口型同步后的结果：
示例三：使用参考素材生成一条新视频
如果你想要的是一段新的表演，而不是保留原始说话人像镜头，参考生成会更加灵活。根据所选模型不同，参考素材可以用于指导人物、动作、视觉风格、构图、声音节奏或表演方式。
**输入：**一张人物参考图和一段动作参考视频。**方法：**明确每份参考素材的作用，并生成一段新的角色表演。
- 打开 VidGen 的图片生视频。
- 选择支持所需参考素材和模式的模型。
- 添加相关的参考图片、视频或音频。
- 在提示词里明确每个参考素材的作用，例如使用图片中的人物，并模仿参考视频中的动作。
- 生成后检查人物一致性、动作、镜头连续性和构图。
下面的示例使用一张参考图片提供人物形象，并使用参考视频引导舞蹈动作。它很好地说明了参考生成与精确口型同步的区别：前者创建新的角色表演，后者修改已有视频中的嘴部动作。
人物参考图：
动作参考视频：
生成结果：
提升数字人视频效果的建议
使用清晰且获得授权的素材
优先选择自己拥有或已经获得使用许可的照片、声音和视频。尽量避免面部被大面积遮挡、严重模糊或人物难以识别的素材。
保持语音干净
背景噪声、破音和多人重叠说话会给语音驱动动画增加难度。清晰、节奏自然的单人语音更适合 AI Avatar 和 Lip Sync AI。
只生成项目缺失的部分
如果原视频中的人物动作和镜头已经很好，就保留它们并使用口型同步；如果手里只有一张照片，就用 AI Avatar 生成说话表演；只有确实需要新动作、新镜头或新环境时，才使用参考生成。
写清楚动作要求
生成新场景时，应描述人物做什么、镜头如何运动，以及哪些元素必须保持一致。“人物自然地说话”适合照片驱动的说话人像；“保留参考图片中的人物，并使用参考视频中的动作”则更适合参考生成。
发布前认真检查
重点检查嘴部、牙齿、眼睛、手部、人物身份、音频时序和突兀转场。AI 输出会有波动，换用更清晰的素材或提示词再次生成，可能会改善结果。
如何负责任地使用数字人技术？
数字人技术让制作逼真的类人内容变得更容易，也因此更需要明确使用边界。
- 使用他人的肖像、声音或表演前，应先获得许可。
- 不要在可能误导观众的情况下，把合成内容冒充为真实录像。
- 遵守广告、政治内容、身份冒用、隐私和知识产权相关规则。
- 当受众或发布平台需要时，说明内容由 AI 生成或经过 AI 处理。
- 为团队或客户制作内容时，妥善保存来源文件和授权记录。
数字人技术应该帮助人们沟通和创作，而不是剥夺被呈现者对肖像和声音的权利。
常见问题
Digital Human 或“数字人”是什么意思？
数字人是对“由软件创建和控制的类人形象或人物表演”的统称。仅凭这个名称，并不能判断它是一段预生成视频、实时互动智能体，还是一个 3D 角色。
数字人和 AI Avatar 是同一个概念吗？
不完全相同。AI Avatar 更强调可见的人物身份或 AI 讲解者，而数字人的范围更广，还可以包含语音、行为、对话和实时 3D 渲染。
所有数字人都能实时对话吗？
不能。很多数字人只是提前生成的视频。实时对话还需要语音识别、语言模型或知识系统、回答生成、语音合成和实时动画等额外能力。
如何制作一个数字人 Avatar？
如果你有照片和音频，可以上传到
AI Avatar，补充表演描述并生成说话视频。如果你已经有一段视频，则更适合使用
Lip Sync AI。
AI Avatar 和 Lip Sync AI 有什么区别？
AI Avatar 从静态人物照片开始，生成一段说话表演；Lip Sync AI 从已有视频开始，让一段新音频与画面中的说话者同步。
什么时候应该使用参考视频生成？
当你希望根据一个或多个参考素材生成新的动作、镜头或场景时，可以使用参考生成。它适合迁移动作或延续视觉方向，但不等同于精确的口型同步。
制作数字人视频必须学习 3D 建模吗？
不需要。通过浏览器中的 AI Avatar 和 Lip Sync 工具，可以直接利用普通图片、音频和视频制作数字人内容。只有当目标是游戏、仿真或实时渲染环境中的绑定角色时，才通常需要 3D 建模。
从你已有的素材开始制作数字人视频
不存在适合所有项目的唯一数字人工具。最有效的选择，取决于你已经拥有什么：
原则很简单：保留已经可用的部分，只生成项目中缺失的部分。这样才能更好地控制人物身份、语音、动作和视频的最终用途。
