#探寻人工智能，从技术到真实世界#
最近有个数字人直播间很火：观众发一句，主播回一句，动作表情都是现场生成的，不是预设脚本。一般数字人直播动作僵硬、话术固定，效果好点的背后其实站着个真人。那这个是怎么做到的？
我用四天时间自己搭了一个，直播了 70 多分钟。这篇把方案拆解、实现路径、踩过的坑和真实成本一次说清楚。
一、拆直播间：两层结构
里面一层是主播本身：脸、声音、回话都由模型实时生成，画面上挂着模型方的标识，基本可以排除本地部署开源模型的猜测。外面一层是围着主播的说明卡、弹幕指令区——弹幕进来后，还有一道程序在过滤、把弹幕变成指令，再交给数字人去演。
关键判断：里面那层用现成的，外面那层才是自己要做的。 差距不在技术路线上，在底图、声音和人设上。
二、让数字人「像活人」的四个细节
- 动作：大部分时间低着头往下看，像在看手机上的弹幕，看到有意思的会笑，手一会儿托下巴一会儿拿零食——像个下班回家开播的普通人，不是端着背稿的数字人。
- 画面：只有脸是柔的，边缘文字和主播小窗都是锐的。这种朦胧感不是后期滤镜，是数字人画面自带的打光效果——一盏柔光打在脸上，周围压暗，再放进手机上的小横框里，细节被缩没了，AI 那点假反而被藏住。
- 节奏：字幕压在底部，大约 20 秒回一条弹幕。听着慢，但这个慢刚好盖住了 AI 反应需要的几秒——真人主播看弹幕本来也不是秒回的。
- 真人小窗：角落里有个活人，整个直播间就不像一台挂着的机器。
三、我要做的是「场控」这一层
真人直播间里主播旁边还有个场控：盯弹幕、踢广告、把观众问题递给主播、冷场时递话题。放到 AI 直播间里，主播是模型，场控得自己写：
弹幕过滤（低俗、引流直接不念）→ 排队（一条一条来）→ 意图识别（聊天 / 换装 / 道具 / 换背景 / 比心挥手）→ 预设（每套衣服是一张完整照片，换装就是换照片重开一场）→ 待机话题（没人发弹幕时也有话说）→ 说明卡（写清能做什么、做不到什么）→ 本地工作台（网页上改人设、管衣柜、换声音）→ OBS 拼画面推流。
有个很真实的体会：这套东西一个晚上就能搭起来，但 AI 听不出音色里的人机感，也不知道冷场时三四句话循环播有多尴尬。这些只有你自己盯着直播间看，才感受得到。
四、真实成本
主要成本在实时数字人服务上，按秒计费。作者实测：播了 1 小时 07 分钟，包含开播预热、每次换装重开会话和中途重启，一共扣了 191.47 元，折合约 169 元/小时。含预热与重启，会随用量和版本变化，不是稳定报价。
测试阶段一小时一两百能接受，但真要靠这套方案变现，投产比得自己算清楚。
五、踩过的坑（这几条最值钱）
- 底图决定上限：CG 风格太重、真人化又一眼 AI。后来参考了别人的提示词做了原创角色，才对味。人设里写示例台词，她会原样照念——别写。
- 换装要「整张照片重开」：让模型当场改衣服，改两次脸就崩。改成每套衣服一张完整照片、换装时从照片重开一场，又快又稳，约 5 秒。
- 换背景翻车了：中途把参考图交给模型重画画面，她身上的衣服没一起交过去，等于模型可以自己重画身体。前 8 次都画对了，第 9 次把肩带和上衣画没了，只能紧急下播。最吓人的是它不是每次都出事——测几次没问题，不代表这个功能安全。 现在换背景和道具功能已默认关闭。
- 音色要自己挑：很多音色单独听像真人，放进实时直播就变味；带点口音反而能盖住 AI 味。作者最后用了自己克隆的音色，并且坚持自己听选——AI 盲听两遍都说是标准普通话，人一耳朵就听出东北味儿。
- 待机语会重复：第一场 6 分钟试播，没人发弹幕时她翻来覆去就那三四句。第二场之前围绕人设准备了 100 个冷场话题，说完一轮才重复。
六、还没解决的
唱歌对口型、大幅度动作暂时做不了；回话偶尔还有 AI 味；从弹幕到开口要 10–20 秒；话说长了会被新指令打断；记忆短暂，断线恢复后有人问「怎么停了」，她回「没停啊，这不正聊着呢嘛」。
七、边界：文字能拦，画面拦不住
平台对 AI 生成内容要求打标识、要有真人出镜和互动、不鼓励无人直播（具体规则请以后台当前要求为准）。作者的画面一直挂着「AI 实时生成画面」，本人摄像头一直在左下角。
当晚被过滤的 18 条弹幕里，好几条是要求换泳装、比基尼的，都被关键词拦住了；可最后出事的偏偏是一条再正常的换背景请求。关键词拦得住文字，拦不住实时生成的画面。 真人在场不只是平台要求，也是在保护你自己。想靠数字人 24 小时挂机躺赚，目前看还有距离。
另外：别拿明星、别人的角色、别人的脸去做数字人，自己做一个也不麻烦。
整套工具框架已按 MIT 协议开源（地址见文末）。工具大家都能用，但角色得是自己的。
——AI提效工程师：关注企业 AI 落地与自动化工作流。你觉得这类 AI 主播最先会在哪个场景跑通？评论区聊聊。
热门跟贴