数字人主播不是换脸：一条 6 小时直播的驱动链

一、先明确：数字人直播的三种做法

市面上的「AI 主播」大致分成三类，成本和效果差别很大：

• 素材拼接型：提前录制片段，按顺序播放。成本最低，但无法回应实时弹幕，重复观看容易出戏。
• 语音驱动型：TTS 生成语音，驱动口型与少量表情。适合讲解型频道，是目前门徒平台的主力方案。
• 全实时驱动型：接入大模型与动作捕捉，可实时对话与做动作。效果最好，但对算力与脚本边界要求最高。

门徒娱乐的品牌日播频道大多采用第二种：脚本主导 + 语音驱动 + 有限实时互动。原因是稳定、可控、可审核，而不是追求「像真人一样聊天」。

二、五段驱动链：从一份脚本到一条画面

第 1 段：脚本分段

把整场内容拆成 3–8 分钟的小段，每段包含开场、要点、互动引导与过渡。分段的意义不只是方便播，更是方便单段替换：某段出问题，只换那一段，不影响整场。

第 2 段：语音合成

用主播的声音样本合成语音，控制语速、停顿与重音。数字人听起来假，八成不是形象问题，而是停顿节奏不对：该停的地方没停，句子之间没有呼吸。

第 3 段：口型与表情驱动

语音转音素序列，再映射到口型帧与表情权重。这一段要关注两个指标：口型对齐误差与表情切换的自然度。对齐误差超过 80ms，观众就会觉得「配音」。

第 4 段：场景合成

主播层与背景层、贴片层、字幕层合成。中控可以在直播中调用不同场景包，实现 10 秒内换景。合成阶段要预留安全区，避免字幕遮挡商品卡。

第 5 段：推流与留档

主备双推流 + 本地录制。录制不是为了复用，而是为了合规留档与事后复盘：任何一场直播都应能回溯到具体时间码。

三、四个质量校验点

1. 口型对齐：随机抽 3 段各 30 秒，逐帧检查口型与音素的对应关系。
2. 长文本稳定性：连续播 30 分钟不换段，检查语调是否逐渐平板、表情是否卡住。
3. 场景切换：连续切 10 次场景，确认没有黑屏、贴片错位或字幕残留。
4. 异常回滚：人为断网一次，验证主备切换与恢复后的画面是否正常。

数字人直播的上限由形象决定，下限由链路决定。观众记住的往往不是「像不像」，而是「有没有突然卡住」。

四、6 小时直播的排布方式

一条 6 小时的数字人直播，不会让主播连续讲 6 小时。门徒平台的常见结构是：

• 0–90 分钟：正场讲解，脚本密度最高，配合商品卡与贴片。
• 90–150 分钟：互动场，回应高频问题，穿插素材短片。
• 150–240 分钟：循环场，重复核心卖点，节奏放慢。
• 240–330 分钟：主题场，换一套场景与话术，制造「新节目」的感觉。
• 330–360 分钟：收尾场，预告下一场，引导关注。

这样安排的目的，是让每个 90 分钟都是独立可看的，而不是让观众从第 1 分钟开始追。

五、什么时候该换成真人

数字人不是万能的。遇到以下情况，门徒平台会建议改为真人出镜：

• 需要现场试用、试穿、试吃，强调真实手感与口感。
• 高客单决策，需要即时回答个性化问题与建立信任。
• 突发舆情或平台活动，需要临场判断与灵活应对。

把这些场次交给真人，把标准化、长时段、可复用的场次交给数字人，才是成本与效果更平衡的组合。具体排班方式可参考主播矩阵与直播频道页面。