数字人 Demo Gallery

数字人路线只看论文表格很容易误判。嘴唇同步、单图 talking head、3D 角色动作生成和整帧视频生成，都可以被叫作“数字人”，但它们在画面里呈现出来的东西完全不同：有的只改变嘴部，有的生成头动和表情，有的驱动一个 3D 角色做全身动作，有的直接合成整段视频。

这篇作为系列十一，不做新的论文展开，只用实际视频建立直觉：先看一个嘴唇同步方案，再看 SentiAvatar 这种基于 3D 角色、语义动作和语音节奏生成的方案，最后看 EGSTalker 这种用 3D Gaussian Splatting 做实时音频驱动的专人建模方案。后面读具体论文或工程实现时，就能更快判断”它到底解决的是画面里的哪一层问题”。

嘴唇同步路线的典型目标是：给定一段已有视频和一段目标音频，让视频里的人物嘴型和音频对齐。它通常不负责生成完整身体动作，也不重新设计角色行为。画面里最重要的变化集中在嘴部和下半脸，头动、身体、背景和镜头节奏主要来自原视频。

表 1：嘴唇同步方案更像“已有视频的局部重绘”，不是完整行为生成。

SentiAvatar 的定位不同。它不是在已有真人视频上局部换嘴，而是围绕一个 3D 虚拟角色 SuSu，生成身体动作、手势和面部表情。它的重点是让数字人“会表达”：动作不仅要跟语音节奏对齐，还要跟当前语义和角色状态匹配。

表 2：SentiAvatar 展示的是 3D 角色动作生成路线，目标是交互表达，而不是局部换嘴。