什么是数字人？AI 虚拟形象、声音与口播视频详解
2026/7/15
数字人是对合成屏幕主持人的实用称呼。根据项目流程，它可以将头像或视觉形象、选定声音和书面脚本组合成音频或口播视频。这个称呼描述的是组合后的内容体验，并不意味着其中任何一个资产就是一个完整的人。
数字人的四个组成部分
头像是屏幕上的视觉呈现，可以来自获授权的自拍或准备好的图像。
声音是朗读脚本的音频身份，可以是获许可的克隆声音或内置选项。
脚本包含文字、语言、发音说明和需要编辑审核的行动提示。
口播视频把选定形象与生成语音呈现在同一个输出中。
数字人、AI 头像和口播视频并不相同
AI 头像有时只指图片或视觉角色；克隆声音只指音频资产；口播视频则指呈现脚本的成片。数字人项目通常会把这些部分合在一起。区分这些概念能帮助团队安排正确审核：图片、声音、文案和最终视频不应由同一项笼统的“通过”替代。
哪些场景值得评估这种形式
组织可评估数字人视频用于产品导览、新员工入门、内部更新、培训模块或持续更新的知识内容。它适合信息结构清晰、参与者已授权、且团队能审核每一版本的场景。当同理心、即时回应或真实互动比重复制作更重要时，真人交流通常更合适。
从清晰的制作简报开始
写明受众、目的以及观众下一步要做什么。
选择与信息相称且已取得使用许可的视觉形象。
选择已获该项目和该语言使用许可的声音。
写一段不依赖主持人外表也能被理解的短脚本。
先生成测试样本，再结合文字、音频、画面与语境审核。
为透明度和人工复核而设计
好的数字人流程不会掩盖媒体的制作方式。尤其在受众可能将其误认为真人现场录制时，应考虑是否说明主持人或语音为合成内容。让负责编辑能查看结果、修改脚本，并在批准用途结束后移除资产。
在 Odrazio 中创建数字人项目
Odrazio 支持用户以自拍创建头像资产、以参考音频创建声音资产，再用脚本生成音频或口播视频。关键在于有意识地组合这些输入：选用已批准资产，匹配脚本语言，测试短样本，并在发布前进行人工审核。