数字人系列总览

S00 → S01 → S02 → S03 → S04 → S05 → S06 → S07 → S08 → S09 → S10 → S11 → S12 → S13。先用 Hub 和 Survey 建立术语边界、任务 taxonomy 与技术路线 taxonomy，再沿“局部换嘴 → 运动空间 → 3DGS/NeRF → 扩散基模 → 整帧/全身 → 实时流式 → Avatar 类型数字人 → 评测指标、算力与选型 → 产业图谱 → Demo 效果对比 → 实时性全景对比 → 卡通与风格化评测”读完主线。

换嘴/配音读 P01 → P02 → P03；早期单图 talking head 读 P04 → P05 → P06；3D 绑定与显式可渲染表示读 P07、P09 和 S04；实时/长时基模读 P08；卡通/风格化评测读 P32 → P33 → P34 → P35 → P36 → P37。Portrait Animation / Talking Head 读 P11 → P12 → P13 → P14 → P15：LivePortrait 对应视频驱动隐式关键点，AniPortrait / Hallo 对应音频扩散，Teller 对应实时流式 motion token，FLAP 对应 3D head 条件可控扩散。

P11 → P12 → P13 → P14 → P15。这五篇都属于 Talking Head 大类，更精确地说是 Portrait Animation / Audio-driven Portrait 分支：从 LivePortrait 的视频驱动隐式关键点，到 AniPortrait / Hallo / FLAP 的音频条件扩散，再到 Teller 的实时流式自回归运动 token。

S09 → E01 → E02 → E03 → E04。先用评测指标、训练资源、推理资源与 Benchmark 建立成本和实验坐标，再看 CyberVerse 的端到端系统、Ditto 的实时流水线、Ultralight 的轻量端侧方案和 InfiniteTalk 的重型视频大模型方案。

S01 → S08 → S09 → S10。先理解数字人技术边界和 Avatar 任务分化，再用评测指标、训练资源和 Benchmark 口径校准产品判断，最后用产业图谱把语音模型、推理框架、数字人视频、Agent 平台、云与算力五层串起来。

Ditto 走 P06 → E02，InfiniteTalk 走 P03 → E04。先读论文理解表示空间、训练目标和实时性声明，再读源码看数据预处理、推理入口、模型权重、滑窗/队列和部署约束如何落地。