客户想做一个AI数字人,但预算不够,我们最后换了一个思路

前段时间整理以前做过的项目，我翻出来一个挺有意思的功能。

它不是一个完整的数字人项目，而是一个大型项目里面的一个互动模块。

客户当时的想法很明确：

在一个大型显示屏上放一个虚拟人物。

用户站到屏幕前说话，系统先识别用户说了什么，再把问题交给AI。

AI生成答案以后，通过语音把内容说出来。

与此同时，屏幕里的虚拟人物也不能只是站在那里不动。

它要会眨眼，会有轻微呼吸，回答问题的时候嘴巴还要跟着语音变化。

当时AI部分接的是 DeepSeek API。

现在来看，这基本就是大家经常说的：

AI数字人。

但真正开始做方案以后，第一个问题很快就出现了。

客户想要数字人，但预算不支持完整3D

我们最开始也考虑过完整3D数字人的路线。

比如通过 Three.js 展示人物，再配合3D模型、骨骼、表情、动画和嘴型驱动。

从技术上来说，这条路当然可以走。

但往下拆以后会发现，一个真正做得比较完整的3D人物，并不是“买个模型放进去”这么简单。

后面还会涉及：

人物建模、材质、骨骼、动作、面部表情、嘴型、渲染，以及前端性能等一系列问题。

这些东西每增加一层，开发和制作成本都会继续往上走。

而这个项目有一个特别现实的问题：

数字人只是整个大型项目中的一个功能。

它不是核心产品。

如果为了一个展示模块，把大量预算都投入到3D数字人上，投入和收益并不匹配。

所以这个功能后来一度搁置了。

不是因为做不了。

而是一直没有找到一个：

效果能达到要求，成本又在客户接受范围内的方案。

一个虚拟主播，给了我们新的思路

后来事情出现了一个挺有意思的转折。

我们技术人员有一天在B站看虚拟主播。

看到那些虚拟人物会眨眼、会呼吸、会跟着声音张嘴，突然想到一个问题：

客户真正需要的，不就是这些吗？

很多虚拟主播并不是完整3D人物，而是通过 Live2D 实现的。

这个思路一下就打开了。

我们重新把客户的需求拆了一遍。

不再先问：

“这个数字人要做得多高级？”

而是问：

“用户真正能感受到的功能到底有哪些？”

最后发现，客户真正需要的其实只有几件事：

屏幕上有一个人物；

待机的时候不能像一张静态图片；

人物偶尔要眨眼；

身体要有轻微呼吸感；

AI回答问题的时候嘴巴要动；

最终让用户感受到：

“这个虚拟人物正在和我交流。”

就这么简单。

至于很多3D数字人常见的能力，实际上根本用不上。

比如：

人物不需要走路；

不需要360度自由旋转；

不需要复杂身体动作；

不需要实时动作捕捉；

也不需要影视级的面部表情和嘴型。

需求一旦这样拆开以后，方案就完全变了。

最后，我们把3D改成了Live2D

Live2D的思路和完整3D人物不一样。

它可以从一个二维人物形象开始，把人物的眼睛、嘴巴、头发、身体等进行分层，然后再做参数和动作绑定。

对于这个项目，我们真正需要的其实就是：

人物原画；

眨眼；

呼吸；

嘴型变化；

再加少量状态动作。

所以最后的方案变成了：

二维人物设计
→ Live2D分层与绑定
→ 呼吸动画
→ 眨眼
→ 嘴型参数
→ 接入AI交互系统

人物展示的问题解决以后，剩下的AI部分其实就比较清楚了。

整个AI交互链路怎么跑？

最终整个系统的流程是这样的：

用户说话
→ 语音识别
→ 转成文字
→ 发送给DeepSeek
→ AI生成答案
→ TTS把文字转换成语音
→ 播放语音
→ 同时驱动Live2D人物嘴巴

用户看到的效果就是：

自己对着屏幕讲话；

屏幕里的虚拟人物“听见”问题；

稍微等待以后开始回答；

回答的时候嘴巴跟着声音变化。

于是，一个轻量版的AI虚拟人物交互就跑通了。

嘴型，也没有必要一开始就追求“完全同步”

这个项目里面还有一个很典型的问题：

AI说话的时候，嘴巴要不要做到非常精确的音素同步？

如果追求高拟真效果，当然可以做。

可以把声音进一步拆成不同音素，再对应不同嘴型。

比如不同发音对应不同的嘴部形状。

这样做出来会更真实。

但是我们后来判断，这个项目没有必要。

为什么？

因为它是一个大屏互动场景。

用户真正需要感受到的是：

“这个人物正在说话。”

并不是站在屏幕前研究每一个字的嘴型是不是完全准确。

所以我们采用了一个更轻量的办法。

根据当前播放语音的音量大小，驱动人物嘴巴开合。

声音大一点，嘴巴张得大一点。

声音小一点，嘴巴张得小一点。

再做一些平滑处理以后，实际视觉效果已经足够满足使用场景。

这一项，又省掉了不少不必要的复杂度。

成本一下就不是一个量级了

当时一个满足基础展示需求的Live2D定制模型，大概在 2000元左右。

当然，这个数字只能代表当时那个项目、当时那种人物复杂度。

如果人物要求更多表情、更多动作、服装切换，或者精细程度更高，费用肯定也会增加。

但是和完整3D人物相比，已经完全不是一个投入级别。

而这件事真正有意思的地方，其实并不是：

“Live2D比3D便宜。”

而是另外一个问题。

客户说“我要数字人”，不代表真的要给他一整套数字人

企业项目里经常会遇到这种情况。

客户说：

我要AI。

我要数字人。

我要大数据。

我要平台。

我要APP。

这些词本身都很大。

如果客户说一个大概念，我们就直接按照这个概念最高规格去设计，项目很容易越做越重，预算也会越来越高。

真正应该做的是把它拆开。

客户到底想解决什么问题？

用户最终会看到什么？

哪些能力是必须的？

哪些功能实际上根本用不上？

比如这次的数字人项目。

客户嘴里说的是：

“我要一个AI数字人。”

但拆完以后，真正需要的只是：

人物形象 + 语音识别 + AI回答 + 语音播报 + 基础嘴型。

如果这几项已经能够解决业务问题，那么有没有必要为了“数字人”这个词，再往里面塞进大量复杂3D能力？

我觉得没有必要。

技术方案不是越重越专业

这个项目最后让我印象比较深的一点就是：

技术不是越复杂越好。

完整3D数字人当然更强。

但是更强，不代表一定更适合。

企业项目最终还是要回到几个现实问题：

预算是多少？

这个功能有多重要？

用户真的能不能感受到这些差异？

项目什么时候要上线？

后期谁来维护？

硬件能不能支撑？

如果一个相对轻量的方案，已经可以解决80%以上的实际问题，那么剩下那20%的效果，值不值得再投入几倍成本，就应该重新算账。

这也是我们最后为什么没有继续坚持完整3D方案。

不是因为做不了。

而是因为：

没必要。

最后，我们跑通的是这套方案

整个项目最后采用的是：

**Live2D  

• ASR语音识别  
• DeepSeek API  
• TTS语音合成  
• 嘴型驱动**

对于这个场景来说，已经够用了。

如果以后客户真的需要：

高拟真人物；

复杂全身动作；

实时动捕；

精细面部表情；

高精度嘴型；

那完全可以再升级成3D数字人或者专业数字人平台。

但是第一阶段没有必要为了“看起来更高级”，把项目直接做到最重。

我做企业项目这些年，越来越觉得一件事很重要：

不是客户说开发什么，我们就开发什么。

而是先把他真正想解决的问题弄清楚，再决定系统和技术怎么搭。

很多时候，技术方案真正的价值并不是：

“能不能做到最复杂。”

而是：

在客户预算、使用场景、效果和维护成本之间，能不能找到一个真正合适的方案。

够用。

稳定。

成本合适。

而且能够真正落地。

很多时候，这比“最高规格”更有价值。

本文根据金雨科技实际项目整理。
技术实施：康天宇
项目复盘与内容整理：李东旭