数字人：从“虚拟偶像”到“产业帮手”的全解析（1/2）

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。

现在的数字人，直接把gpt、文心一言这样的大模型当“大脑”。你问它啥，它先通过asr把话转成文字，传给大模型；大模型像真人一样思考，生成回答文本；再通过tts变成声音说出来。这个过程快的话只要几百毫秒，感觉就像数字人在“实时聊天”。

比如罗永浩的数字人直播时，有人问“这个手机续航怎么样”，大模型会结合产品参数，用口语化的方式回答，还能顺便推荐快充配件，这都是以前的数字人做不到的。百度副总裁说，现在的数字人已经能达到“媲美头部主播”的交互效果，就是因为大模型给了它真正的“思考能力”。

第四步：练动作——让数字人动起来更自然

光会说还不够，数字人得“动起来”才像人，这就需要“动作驱动”技术。

简单的动作驱动靠算法。比如数字人说话时，嘴巴要跟着语音动，算法会根据声音的频率、节奏，自动控制嘴巴的开合大小，还能加点头、眨眼的小动作。你刷到的2d数字人，基本都是用这种方式驱动的。

复杂的动作就得靠“动捕技术”。比如虚拟偶像跳舞，是让真人演员穿戴上带传感器的衣服，演员跳一遍，数字人就跟着学一遍，动作精准到手指的弯曲角度。现在还有更高级的“无标记动捕”，不用穿特制衣服，摄像头拍真人动作，电脑就能自动识别并传给数字人。

现在的高端数字人，连“微表情”都能做。比如你夸它“说得真好”，它会微笑着点头；你问它复杂问题，它会皱着眉“思考”。这些都是通过捕捉真人的表情数据，再教给数字人做出来的。

三、数字人分哪几类？从“花瓶”到“实干家”的进化

数字人不是一刀切的，按“聪明程度”和“用途”能分成好几类。几年前火的大多是“花瓶型”，现在主流是“实干型”。

按智能程度分：“木偶型”和“思考型”

“木偶型”数字人是早期的主流，没有真智能，只能做预设好的动作、说固定的话。比如商场里的虚拟导购，只会循环播放“欢迎光临”“这件衣服打8折”；还有些虚拟偶像的舞台表演，其实是提前编好的动画，就像放电影一样，不能和观众互动。

“思考型”数字人是现在的新趋势，靠大模型驱动，能自主思考、灵活互动。比如京东618期间的数字人主播，能上手测试产品，有人问“这冰箱耗电吗”，它会马上调出参数回答，还能对比其他型号；医院的虚拟导诊，能根据你的症状推荐科室，甚至提醒你带什么检查报告。这种数字人才算真正的“智能数字人”。

按用途分：“娱乐型”和“实用型”

“娱乐型”数字人最开始火起来的，主要是虚拟偶像、虚拟主播。2021年那波热潮里，屈臣氏推了“屈晨曦”，花西子搞了“花西子虚拟人”，都是想靠虚拟偶像吸引年轻人。但后来大家发现，虚拟偶像成本高、粉丝粘性差，抖音上虚拟主播的平均观看时长从15分钟跌到5分钟，粉丝流失率超40%，很多品牌悄悄把虚拟代言人撤了。

现在更吃香的是“实用型”数字人，也就是帮企业干活的“虚拟员工”。比如金融行业的虚拟客服，24小时在线解答贷款、理财问题，比真人客服效率高还不用发工资；教育领域的虚拟老师，能一对一给学生讲题，还能根据答题情况调整进度；政务大厅的虚拟导办，能帮人填表格、查流程，不用排队等真人。

百度的罗永浩数字人就是“实用型”的代表，在百度电商直播时，吸引了1300多万人观看，gmv（成交总额）突破5500万元，比罗永浩真人同期首秀的数据还好。京东的数据更夸张，618期间有1.7万家品牌用数字人直播，这些数字人带货能力超过了80%的真人主播。

四、数字人离我们有多近？盘点身边的数字人应用

现在数字人已经渗透到生活的方方面面，只是很多时候你没意识到那是数字人。从购物到看病，从学习到办事，到处都有它们的影子。

电商直播：24小时不休息的“虚拟销售”

这是数字人最常见的场景。很多品牌直播间里，半夜还在带货的主播可能就是数字人。它们不用吃饭、不用睡觉，能从凌晨播到天亮，还能记住所有产品的参数、优惠信息。

比如美妆品牌的数字人主播，能对着镜头演示化妆步骤，有人问“适合干皮吗”，马上就能答出产品成分和保湿效果；3c产品的数字人，能熟练讲解手机的处理器、摄像头参数，比刚入职的真人销售还专业。更厉害的是，数字人能同时在多个平台直播，一个“人”顶好几个真人主播。

不过数字人直播也有翻车的时候。有的数字人因为算法问题，会说些莫名其妙的话，比如把“降价”说成“涨价”；还有的动作僵硬，嘴巴和声音对不上，被观众一眼看穿。但总体来说，对中小品牌而言，数字人直播性价比很高——花几万块做个数字人，比雇几个真人主播一年几十万的工资划算多了。

金融服务：不会不耐烦的“虚拟柜员”

银行、证券这些行业，现在特爱用数字人。招商银行的“ai小招”就是典型，你打开app办信用卡，它会像真人柜员一样问你需求，帮你选卡种，还能解释年费、额度这些问题。要是半夜想查理财收益，数字人客服随叫随到，比等第二天银行开门方便多了。

还有些证券app的数字人投顾，能根据你的风险承受能力推荐基金，你问“这只基金最近跌了怎么办”，它会分析市场行情，给出加仓、减仓的建议。虽然不能替代专业投顾，但解决普通用户的基础问题绰绰有余。

政务办事：不用排队的“虚拟导办”

现在很多地方的政务服务大厅都上线了数字人。比如你去办社保转移，不用找真人咨询，直接问数字人，它会一步步教你填表格、准备材料，还能帮你预约办理时间。西宁、绵阳等地的政府部门，今年都上新了数字人，专门帮市民解答医保、公积金的问题。