AI数字人交互设计：从单向播报到双向对话

输入: 文字脚本
输出: 数字人视频（TTS驱动面部动画）

适用: 新闻播报、公告通知、教学内容
特点: 单向、不可交互、质量可控

用户: "XX产品的保修期是多久？"
数字人: "XX产品标准保修期为12个月..."

适用: 客服FAQ、产品介绍
特点: 受限交互、基于知识库
局限: 只能回答预设范围内问题

用户: "你推荐哪款产品？"
数字人: "根据您的需求，我推荐..."
用户: "有没有便宜一点的？"
数字人: "有的，您可以看看..."
用户: "那个颜色有吗？"
数字人: （查看库存）"红色有货，蓝色暂时缺货"

场景: 直播带货
- 数字人主播介绍产品
- 多个用户同时弹幕提问
- 数字人选择性回答高频问题
- 根据弹幕情绪调整话术

用户语音输入
  → ASR(流式语音识别) [200ms]
  → 语义理解+意图识别 [50ms]
  → LLM生成回复(流式) [300ms]
  → TTS流式合成 [150ms]
  → 面部动画驱动 [100ms]
  → 渲染输出 [50ms]

总延迟目标: < 800ms

ASR部分结果: "我想买..."
  → 已可以开始意图理解（购物意图）
  
LLM首token: "好的，为您推荐..."
  → 已可开始TTS合成
  
TTS首音频块: "好的..."
  → 已可开始面部动画

时间 →
ASR:  [████████████]
LLM:       [████████████████]
TTS:            [████████████]
动画:                [████████]
渲染:                    [████]

数字人: "我推荐这款产品，它的特点是..."
用户打断: "多少钱？"
数字人: (停止当前输出) "这款产品售价299元..."

首次见面:
数字人: "您好！我是XX的智能助手。您可以叫我小智。有什么可以帮您的？"
→ 简短自我介绍 + 友好称呼 + 明确能力范围

好的节奏:
用户: 问
数字人: 答（3-5句）→ 适当追问 → 用户回答 → 继续
→ 像真人对话一样有来回

不好的节奏:
用户: 问
数字人: 答了一大段（500字）→ 用户没机会插话
→ 变成了"播报"

用户情绪: 满意
数字人: 微笑 + 语调上扬 "太好了！那我就帮您下单了"

用户情绪: 犹豫
数字人: 微微歪头 + 关切语气 "您还有什么顾虑吗？"

用户情绪: 不满
数字人: 表情收敛 + 真诚语气 "给您带来不便，非常抱歉。我马上为您处理。"

设计原则:
1. 效率优先（用户想快速解决问题）
2. 简洁回答（3句以内）
3. 主动提供选项
4. 超出能力范围时及时转人工

对话模板:
- 开场: "您好，请问需要什么帮助？"
- 过程: 一步步引导（"请提供您的订单号"）
- 解决: "已为您处理，还有其他需要吗？"
- 结束: "感谢您的使用，再见！"

设计原则:
1. 娱乐性（比客服更活跃）
2. 互动性（频繁回应弹幕）
3. 连贯性（长时段保持人设）
4. 应变能力（处理意外弹幕）

特点:
- 语速快、信息密度高
- 情感表达丰富
- 能即兴发挥
- 不会因负面弹幕"崩溃"

设计原则:
1. 耐心（不催促学生）
2. 启发式（引导思考而非直接给答案）
3. 鼓励性（正向反馈）
4. 个性化（根据学生水平调整）

对话示例:
学生: "这题我不懂"
数字人: "没关系，我们一步步来。首先，题目给了什么条件？"
学生: "x=3, y=5"
数字人: "好的，那x+y等于多少？"
学生: "8"
数字人: "没错！那如果x变成4呢？"

用户期望延迟:
  语音对话: < 1秒 (感觉自然)
  > 2秒: 感觉迟钝
  > 3秒: 体验差

当前瓶颈:
  LLM首token延迟: 200-500ms (主要瓶颈)
  ASR: 100-300ms
  TTS: 50-200ms

30分钟对话中:
- 记住用户之前说的信息
- 保持一致的"人设"
- 不重复说过的话
- 在之前的上下文上继续

技术方案:
- 对话摘要（每5轮摘要）
- 人设Prompt固定
- 用户画像持久化