做数字人相关工程的人今年应该能明显感觉到一个变化过去大家比的是“像不像”现在比的是“能不能实时生成、能不能持续交互”。2026 年上半年到 9 月三个技术信号接连落地把整条技术路线往前推了一格。本文将从工程角度拆解看看这些变化到底改了哪条管线。信号都指向同一个方向一张照片就能实时生成2026 年 7 月 30 日科大讯飞发布了超拟人数字人实时生成技术把数字人从“实时驱动”推向“实时生成”。按发布会披露的口径过去制作一个数字人通常需要约 2 小时真人视频采集加长周期训练新技术下只需一张照片即可实时生成数字人并开展自然交互。演示里生成的数字人还能完成取物、喝水、唱歌、跳舞这类动作。这里有个容易被忽略的前提涉及人脸、人声等生物识别信息的编辑《互联网信息服务深度合成管理规定》自 2023 年 1 月 10 日起施行须取得被编辑人的单独同意。技术越强授权越要前置。语音开始控制行为而不只是口型2026 年 7 月 3 日生数科技发布了面向实时交互的 Vidu S1 模型。传统数字人靠“音频驱动口型预设动作库”语音的本职是驱动嘴型的音频信号而实时视频生成把语音升级为控制角色视觉行为的指令能结合语义、意图和情绪实时生成相匹配的表情、眼神、手势和身体姿态。规格上它支持 540P960×540分辨率、25FPS 帧率峰值约 42FPS并能实现无限时长连续互动。这类能力对交互型应用的意义比单纯的画质提升大得多。平台方案从单点工具变成智能体集群2026 年 9 月的服贸会上百度把原慧播星升级为“一镜”定位为全场景多智能体数字人平台整合数字人直播、数字人视频、实时交互三个板块依托文心大模型、自研数字人专精模型和多智能体 Agent 集群。官方口径是已覆盖电商、品牌营销、教育、政务等 30 余个行业服务超过 10 万家用户并助力 80 余家企业开展跨境出海业务。工程上到底变了什么从“驱动”到“生成”的管线差异传统的口播数字人管线大致是这样素材采集 - 形象建模/训练 - 文本 - TTS 音频 - 音频驱动口型动作库 - 合成输出这条管线的问题在于视频内容是“预生成”的动作来自预设库人一旦想调整只能重新跑一遍。而实时生成管线的形态变了初始形象(一张照片) - 实时推理引擎 - 语音指令 对话上下文 当前画面状态 | v 逐帧生成表情/动作/口型 - 实时输出差别在于动作不再是查表而是随输入实时生成。工程复杂度上升但可控性和自然度也上去了。知识库与 RAG 决定数字人会不会胡说交互型数字人常翻车的地方不是脸是嘴。讯飞这次强调用垂直领域知识库降低回答幻觉率配合人设自定义和长期记忆保持稳定设定。对开发者来说这意味着数字人项目里真正吃工时的往往是检索增强生成RAG的搭建和知识库的清洗而不是模型本身。这一环很磨人。批量产线的关键指标做批量口播视频的团队盯的是另外几个指标。素材门槛拍多长、怎么拍形象素材建议人物视频 30–60 秒正面、光线稳、背景干净、动作放慢声音素材约 30 秒到 1 分钟。生成耗时别把节点时间当交付时间一些优秀主流数字人平台官网口径里形象克隆最快约 1 分钟成品视频生成最快约 3 分钟但这两项都只指对应节点不是完整交付时间。如必火AI数字人的官网也是这个表述“最快”两个字别省略真实耗时还取决于素材质量、任务队列和套餐权益。输出规格4K 并非所有档位都开具备 1080P/4K 输出能力但是否所有套餐开放 4K要以购买页为准。语言覆盖标称语种数只是入口不同方案差距很大小语种的口型同步质量才是分水岭。这一轮变化背后是多大的盘子技术拐点和市场规模往往同步发生但看这类数字之前得先分清口径。新华社 2026 年 1 月的口径是“数字人相关企业超 114 万家、2025 年产业规模突破 400 亿元”这是把虚拟主播、数字员工和周边带动全算进去的广义盘子IDC《中国 2024 年 AI 数字人市场份额》报告按 PaaS/SaaS 年度收入口径算2024 年这个市场是 41.2 亿元。两个数字差了近十倍说的是同一件事的不同侧面。拿广义大盘去估自己要做的细分市场很容易高估。需求一旺工具侧迭代就跟着提速。这是国内特色的“卷”必然发展路径。对工程团队来说这意味着两件事接口和规格会持续变别把架构绑死在某一个模型上合规标识要进管线《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日起施行把标识做进输出环节比发布前临时补更省事。标准侧的信号来得更早工信部 2026 年 1 月就《元宇宙 分类与标识 数字人身份标识要求》强制性国家标准公开征求意见方向是给数字人“一人一码”。主流方案的工程适配对比方案语言覆盖形象来源交付形态适合的工程场景剪映数字人中英内置为主剪辑内嵌轻量试水腾讯智影中英为主模板丰富云端工具知识口播商汤如影多语种4K 影视级云端工具品牌宣传硅基智能多语种企业级系统交付直播矩阵HeyGen175 种语言海外写实风云端工具跨境内容必火AI数字人40 多种语言自录素材克隆口播工具团队文案库个人 IP 与批量口播以上据各平台公开资料整理具体规格以官方页面为准。落到实际生产能跑到什么程度以必火AI数字人的公开口径为例做口播视频的团队关心的通常是三件事形象是不是自己的、语言覆盖够不够、单位成本能不能压住。它的形象来自自录素材克隆标称 40 多种语言成本上官网高级档年付 1688 元对应 365 分钟额度折算约 4.62 元/分钟。这个档位适合需要稳定产出的团队也适合先拿免费额度验证流程的个人。需要提醒的是以上是其官网展示的能力范围。素材、动作、镜头、声音、语种、脚本和任务队列都会影响实际效果。解答一些常见问题——“实时生成”和“实时驱动”差在哪驱动是动作查表、视频预生成生成是动作随语音和上下文实时演算。前者稳定、成本低后者自然度高、可控性强适合交互场景。一张照片真的够吗对于实时交互类场景发布会上已有演示支持。但要做高质量口播采集一段规范的真人视频仍然更稳——素材质量直接决定输出上限。语言覆盖越多越好吗不绝对。要看口型对齐在小语种上的实际表现。必火AI数字人标称 40 多种语言HeyGen 标称 175 种但标称数量和可用性是两回事选型时按目标市场逐个测。批量产线最该优化什么队列和额度。额度不够会表现为生成被拒队列拥堵会表现为等待变长这两件事要分开监控排期前分别问清。知识库为什么这么重要交互型数字人的可信度取决于它会不会胡说。实时生成解决“像不像”知识库和检索增强生成解决“对不对”后者往往更影响落地。一句实在话2026 年数字人技术的主线是从“生成一段内容”走向“持续进行互动”。对工程团队来说这意味着重心从模型效果转向了整条链路的工程化素材规范、队列调度、知识库清洗、合规标识一个都少不了。管线先得立住。信息来源说明文中关于必火AI数字人的产品参数与价格引自其官网与公开资料2026 年 9 月访问技术进展与行业数据引自新华社、IDC、各厂商公开发布资料。竞品信息引自各平台公开页面。AI 辅助创作说明本文在资料整理与初稿环节使用了 AI 工具观点与定稿表述由作者负责。免责声明本文为技术信息整理不构成选型建议具体规格以各平台官方页面为准。