实时对话

数字人交互的范式转变 第一代数字人是"播放器"——按脚本播报。第二代是"问答机"——能回答预设问题。第三代才是"对话者"——能实时自然对话。这个转变的核心不是外观，而是交互设计。 交互模式分类 模式一：脚本播报 数字人按照预设脚本"念稿子"： 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 这种模式技术简单，用户体验也简单——本质上是"更好看的视频"。 模式二：问答交互 用户提问，数字人回答： 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 模式三：自由对话 真正的实时双向对话： 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" 特点：自然、灵活、有上下文记忆。 模式四：多人互动 数字人参与多人对话： 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 实时对话的技术架构 端到端流水线 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 流式处理的关键 不等一步完成才开始下一步： ...