想象一个老手艺人的木偶工坊：师傅先拿木头雕出木偶的头脸和四肢，砂纸打磨、上色点睛；接着给木偶装上关节、穿好提线，让每一根手指都能动；演出时，木偶师躲在幕后，一边开口说话，一边十指翻飞地拉动提线——木偶便活了，会说话、会眨眼、会挥手。AI 数字人，就是这个工坊在数字世界的翻版：建模是“雕木头”，面部绑定是“装关节、穿提线”，语音合成是“木偶师的嗓子”，口型同步和动作生成是“拉线的手”，渲染输出则是“搭好的舞台灯光”。这篇文章，就带你跟着这位“数字木偶师”，把从无到有造出一个能说会动的数字人的每一步都走一遍。

岗位关联

学完本知识，你能完整梳理数字人的制作链路，从建模、绑定到语音驱动、口型同步、动作生成与渲染，无论做虚拟主播、数字客服还是内容创作，都能科学拆解任务、把控成本。

目录
  1. 可视化演示
  2. 数字人建模：雕刻木偶的形体
  3. 面部绑定：给木偶装上关节和提线
  4. 语音驱动：让木偶师的声音传进喉咙
  5. 口型同步：让嘴巴跟上台词
  6. 动作生成：拉起全身的提线
  7. 渲染输出：搭好舞台，开拍
  8. 效率成本：控制木偶工坊的预算
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

交互展示数字人从建模、面部绑定、语音驱动到动作生成的完整流水线，对比关键技术方案与成本效果权衡。

本节配有交互动效（进入视口后自动加载，约 3KB）。

数字人制作流程 建模→绑定→驱动→渲染 全链路工具协同 pipeline = model + rig + drive + render 口型同步是质量关键

数字人建模：雕刻木偶的形体

古代木偶师做一具提线木偶，先要用木头雕出头颅、身躯和四肢，再用砂纸反复打磨，最后上色点睛。数字人建模做的是同样的活——只不过把刻刀换成了三维软件和扫描仪，把木头换成几百万个三角形围成的网格。这一环节的成败，决定了这具“数字木偶”日后是精致还是粗糙。

建模的核心目标只有一个：得到“形似”且“可驱动”的三维模型。常用途径有两条：一是用三维扫描设备（结构光、多相机摄影测量）对人进行数据采集，自动重建出高精度网格；二是用 ZBrush、Blender、Maya 等工具手工雕刻。专业流程常把两者结合——扫描获得真实轮廓，再手工修正拓扑细节，最后交给绑定环节。

无论怎么建，模型最终都会变成三角形网格。判断网格是否“健康”有个经典标尺——欧拉公式：闭合曲面模型必须满足顶点数减边数加面数等于 2，否则网格存在破洞（俗称“漏水”），后续绑定和渲染就会出问题。对面数选择也讲究“够用就好”：实时直播用 2 到 5 万面的低模，离线影视才需要百万面高模。

就像木偶师不会给巴掌大的木偶雕出每一根睫毛，数字人建模也要按用途决定精度。形准、拓扑好、面数够用，这尊“数字木偶”才经得起后续的关节加工。

χ=V−E+F=2\chi = V - E + F = 2
这是三维网格世界的“守恒定律”：一个没有破洞的闭合模型，无论长什么样，顶点、边、面的数量关系都恒定成立。
  1. V（顶点数）网格中所有“角点”的数量，好比木偶雕塑表面上的关键骨点。
    VV
  2. E（边数）连接两个顶点的线段数量，好比雕刻表面的棱线。
    EE
  3. F（面数）由三条边围成的三角形数量，好比木偶表面拼装的木板片数。
    FF
  4. χ = 2（拓扑不变量）闭合曲面永远等于 2，是检验网格是否“漏水”的尺子。一旦算出来不是 2，说明模型存在破洞，需要补面修复。
    χ=V−E+F=2\chi = V - E + F = 2

面部绑定：给木偶装上关节和提线

木偶雕好了，下一步是装关节、穿提线：膝盖要能弯，手腕要能转，最复杂的是面部——要让木偶会眨眼、微笑、皱眉，得在脸上埋下十几根细线。数字人的“面部绑定”就是这个环节，它决定了一具模型能不能做出活人级别的表情。

面部绑定最主流的方案是融合变形（Blend Shape）：先准备一个“中性脸”基础网格，再手工雕刻出几十个表情变体（张嘴、闭嘴、皱眉、挑眉、嘟嘴……），运行时通过权重混合出任意表情。苹果 ARKit 的 52 个标准表情系数就是这个思路的行业规范，真人驱动时把摄像头捕捉到的脸部系数映射为权重即可。

绑定的数学本质是线性叠加：最终表情等于基础网格加上各个变形量按权重的和。权重在 0 到 1 之间，0 表示纹丝不动，1 表示完全变成该表情。工程上还会叠加骨骼系统（下巴骨、眼骨），让嘴能随下颌骨骼转动，比纯变形更自然。

绑定师雕刻的每一个变形体，就像为木偶埋下的一根根表情线。线埋得越多、越准，数字人笑起来才不僵硬——表情的自然上限，在绑定阶段就已注定。

B表情=B0+∑i=1nwi ΔBiB_{\text{表情}} = B_{0} + \sum_{i=1}^{n} w_{i}\,\Delta B_{i}
表情 = 一张“天生脸” + 若干表情肌肉的加权收缩。权重调得越细腻，微表情越丰富。
  1. B₀（基础网格）雕刻好的“中性脸”，不笑不怒，是表情的起点。
    B0B_{0}
  2. ΔBᵢ（第 i 个变形量）第 i 个表情变体相对基础脸的位移差，相当于一根表情提线。
    ΔBi\Delta B_{i}
  3. wᵢ（权重）每个表情的施加力度，0 到 1 之间连续可调，相当于拉线的松紧程度。
    wiw_{i}
  4. 求和叠加把所有表情的贡献加起来，得到最终混合脸；权重总和越接近 1，表情越接近各变体的“叠加态”。
    ∑i=1nwi ΔBi\sum_{i=1}^{n} w_{i}\,\Delta B_{i}

语音驱动：让木偶师的声音传进喉咙

木偶自己不会说话，靠的是木偶师在幕后配音。数字人也是一样，它的“声音”来自语音合成（TTS）——一段文字输入，机器把它变成一句人话。但数字人的特别之处在于：声音不只是播放出来，更要变成驱动口型和表情的控制信号。

现代 TTS 通常先把文字转成音素序列，再生成频谱，最后合成波形。人耳对频率的感知不是线性的——低频敏感、高频迟钝，所以语音模型常用梅尔频谱作为中间表示，它在低频处多放采样点、高频处少放，模拟人耳的听觉特性，让合成的语音听起来更自然。

更进一步，音色克隆（Voice Cloning）只需要几秒到几分钟的目标人音频，就能训练出独特的音色嵌入，让同一个 TTS 模型说出“你的声音”。同时，语音中的情感（兴奋、温柔、严肃）会被提取为韵律参数，传给后续表情驱动。梅尔刻度的换算公式如下：

木偶师换了嗓子，木偶的“戏路”就变宽了。数字人的音色库和情感参数，就是它的多种“嗓子”——选对嗓子、调对情绪，数字人的表演就成功了一半。

Mel(f)=2595×log⁡10(1+f700)\text{Mel}(f) = 2595 \times \log_{10}\left(1 + \frac{f}{700}\right)
把物理上的“频率”换算成人耳感知的“音高刻度”，低频段刻度拉长、高频段压缩，让语音模型把资源花在耳朵敏感的地方。
  1. f（原始频率）声音的物理频率，单位赫兹（Hz），比如女声基频约 200 Hz。
    ff
  2. 1 + f/700（归一化）把频率经过 700 分之一处理后加 1，避免对数为负，同时保证低频段映射更密集。
    (1+f700)\left(1 + \frac{f}{700}\right)
  3. log₁₀（对数压缩）对归一化结果取以 10 为底的对数，把高频段的差异“压扁”，模拟人耳对高频不敏感的特性。
    log⁡10\log_{10}
  4. 2595 ×（梅尔刻度）乘以常数 2595，把对数结果映射到人耳舒适的音高数值范围（0 到 4000 左右）。
    2595×2595 \times

口型同步：让嘴巴跟上台词

木偶戏里最考验功夫的，是让木偶的嘴巴在正确的时刻张开、合上，和台词严丝合缝。数字人也面临同样的挑战：光有声音和模型，嘴对不上，观众立刻出戏——这就是“口型同步”要解决的问题。

解决思路是“音素到视位”映射：把语音流切成一串音素（如 n、i、h、a、o），每个音素对应一个标准嘴型（视位，Viseme）。元音“a“对应张嘴，辅音”m“对应闭嘴，”i”对应咧嘴。由于发音器官有物理惯性，实际动画还要考虑协同发音——前一个音素会影响后一个嘴型的过渡，不能简单逐音素播放。

时序对齐是另一个关键环节。TTS 引擎会输出每个音素的时间戳，动画师据此安排每个视位的起止时间。如果发现口型平均滞后 0.2 秒，整体前移动画即可修正；若个别音素错位，则需局部微调。工程上常用维特比对齐自动求解最优的音素-时间匹配。视位选择可写成最大后验概率问题：

好的木偶师能让观众忘了提线的存在，好的口型同步也一样——观众看到的是“这个人真的在说话”，而不是“嘴在乱动”。音素映射、时序对齐、协同发音，这三根线拉好了，数字人才算真正“开口说话”。

V(t)=arg⁡max⁡v∑jwj P(v∣pj(t))V(t) = \arg\max_{v} \sum_{j} w_{j}\,P\bigl(v \mid p_{j}(t)\bigr)
在 t 时刻，综合周围音素的发音影响，选出概率最大的那个标准嘴型——不是只看当前音素，还要“左顾右盼”。
  1. pⱼ(t)（时刻 t 附近的音素）当前时刻前后出现的音素序列，是选嘴型的候选证据。
    pj(t)p_{j}(t)
  2. P(v | pⱼ)（条件概率）已知某个音素时，嘴型最可能是哪种视位的概率，来自音素-视位统计表。
    P(v∣pj(t))P\bigl(v \mid p_{j}(t)\bigr)
  3. wⱼ（邻域权重）距离当前时刻越近的音素，对嘴型选择的贡献越大，实现协同发音的平滑。
    wjw_{j}
  4. argmax（取最大者）在所有候选视位中，找出加权概率之和最大的那个，作为当前帧的最终嘴型。
    arg⁡max⁡v\arg\max_{v}

动作生成：拉起全身的提线

对话、眨眼、点头、手势——木偶师的双手要同时控制十几根线，才能让木偶活起来。数字人的“全身提线”就是动作生成，它负责让身体语言与语音内容匹配，让数字人不仅是“一张会动的脸”。

动作生成有两条路线：动作捕捉（Motion Capture）和 AI 生成。动捕包括光学式（演员穿反光衣，多台摄像机追踪标记点）和惯性式（传感器绑在关节上记录姿态），数据经过去噪、重定向，映射到数字人的骨骼上。AI 生成则从文本或语音中预测姿态，例如说到“挥手”时自动挥动右手，大幅降低动捕成本。

单看一条动作往往不够用——数字人可能在说话的同时还要摆手和点头。这时需要动作融合（Motion Blending）：把多个动作片段按时间轴加权混合。权重随时间变化，说话时口型与微表情权重高，表达强调时手势权重升高。数学形式如下：

木偶师拉线的节奏，就是动作融合的权重曲线。拉得太急木偶会抽搐，权重变化太陡数字人会“跳变”。学会让权重平滑过渡，数字人的举手投足才自然可信。

P最终(t)=∑i=1nαi(t) Pi(t)P_{\text{最终}}(t) = \sum_{i=1}^{n} \alpha_{i}(t)\,P_{i}(t)
最终动作 = 多个候选动作按实时权重“混血”。权重曲线越平缓，动作衔接越自然。
  1. Pᵢ(t)（第 i 个动作片段）一段已经做好的动作，比如“点头”或“挥手”，是动作融合的原料。
    Pi(t)P_{i}(t)
  2. αᵢ(t)（时变权重）第 i 个动作在 t 时刻的混合比例，所有片段的权重之和保持为 1。
    αi(t)\alpha_{i}(t)
  3. 求和叠加把每个片段乘上自己的权重再相加，得到当前帧的全身姿态。
    ∑i=1n\sum_{i=1}^{n}
  4. P_最终(t)（融合结果）任意时刻的最终姿态，权重平滑变化时动作流畅，突变时会“抽搐”。
    P最终(t)P_{\text{最终}}(t)

渲染输出：搭好舞台，开拍

木偶戏的最后一步是搭舞台：灯光、布景、摄像机就位，演员上场。对数字人来说，舞台就是渲染引擎——把三维模型、贴图、灯光变成观众眼里的画面。渲染这一步，直接把前面所有的努力“翻译”成视觉体验。

实时渲染引擎（Unreal Engine、Unity）用 GPU 每帧刷新画面，适合直播和实时交互；离线渲染器（V-Ray、Arnold）逐帧精算，适合电影级效果但耗时巨大。数字人直播普遍走实时路线，用 PBR（物理渲染）材质模拟皮肤对光的散射，配合环境光和轮廓光，让皮肤呈现通透质感。

渲染的光照模型可以用数学描述：一个表面的亮度取决于它的材质反射率、照射强度和光线与法线的夹角。这就是朗伯漫反射模型——粗糙表面向各个方向均匀反射光。光线越斜，看到的表面越暗，这正是人体皮肤和服装明暗变化的基本规律：

灯光打得好看，木偶的木头质感也能显出玉的光泽。渲染不只是把模型画出来，而是在“造假”——用光影欺骗眼睛，让数字人看起来是活人。渲染质量，就是数字人舞台的灯光师水平。

L漫反射=ρπ E cos⁡θL_{\text{漫反射}} = \frac{\rho}{\pi}\,E\,\cos\theta
物体表面亮度 = 材质反光能力 × 照射强度 × 光线夹角的余弦。光线越“正对”表面，看着越亮。
  1. ρ（反射率）材质本身的反光能力，皮肤、布料、金属各有不同，取值范围 0 到 1。
    ρ\rho
  2. E（辐照度）光源照射到表面的能量强度，灯开得越大越亮。
    EE
  3. cosθ（法线夹角）光线方向与表面法线的夹角余弦，光线越斜值越小，表面越暗——这就是“侧光打不出亮面”的原因。
    cos⁡θ\cos\theta
  4. ρ/π（归一化）除以 π 是朗伯模型的归一化常数，保证反射能量不超出入射能量。
    ρπ\frac{\rho}{\pi}

效率成本：控制木偶工坊的预算

一个木偶戏班要养活木偶师、雕刻师、舞美和场务。数字人项目同样要精打细算：建模要多久？动捕棚多少钱？GPU 渲染贵不贵？“效率成本”决定了项目是能持续运营，还是做一集就烧光预算。

降本主要靠三招：云端管线，把渲染任务放到云端渲染农场按需付费，避免自建机房；模板复用，把头部、身体、基础动作库做成模板，新角色只换皮不改内核；AI 辅助，用 AI 生成姿态、自动口型，替代部分高价的动捕和动画师工时。

预算评估要算清三笔账：GPU 算力费、人力工时费、素材版权费。以一集 10 分钟数字人短视频为例，渲染时长乘以 GPU 单价就是算力成本；动画师、绑定师的工日乘以日薪是人力成本；模型、音色的授权费用是素材成本。汇总公式如下：

聪明的木偶作坊会用更少的人手做出更多的好戏。数字人项目的竞争力，不只看效果有多炫，更看单位成本的产出——把每一块 GPU、每一个工时都花在刀刃上，才能在内容浪潮里走得更远。

C总=tGPU×pGPU+t人力×p人力+M素材C_{\text{总}} = t_{\text{GPU}} \times p_{\text{GPU}} + t_{\text{人力}} \times p_{\text{人力}} + M_{\text{素材}}
总成本 = 算力时长 × 算力单价 + 人工工时 × 工时单价 + 素材授权费。每一项都能通过工程手段优化。
  1. t_GPU × p_GPU（算力成本）渲染/训练占用的 GPU 机时乘以云厂商单价，按秒计费。
    tGPU×pGPUt_{\text{GPU}} \times p_{\text{GPU}}
  2. t_人力 × p_人力（人力成本）绑定师、动画师、技术美术投入的工时乘以岗位日薪，是最大的隐性成本。
    t人力×p人力t_{\text{人力}} \times p_{\text{人力}}
  3. M_素材（素材成本）第三方模型、音色、动捕素材的授权与采购费用。
    M素材M_{\text{素材}}
  4. 求和三类成本相加得到项目总预算，任何一项超支都会让利润变薄。
    C总C_{\text{总}}

AI 应用场景

虚拟主播实时开播

阶段：语音驱动 + 口型同步 + 动作生成

解决的问题：真人主播无法 24 小时在线，且出镜有形象包袱。传统方式需要真人出镜或高价购置动捕设备。AI 数字人主播把文字稿变成自然语音，通过音素映射实时驱动口型，配合 AI 生成的手势动作，实现全天候低成本开播。

具体案例：某电商直播间用数字人主播在凌晨时段自动讲解商品，系统先由 TTS 生成音频，再按音素时间戳驱动 52 个表情系数和点头、挥手动作，观众互动触发关键词后自动切换话术，转化率接近真人时段。

企业数字人员工

阶段：语音驱动 + 渲染输出

解决的问题：银行的网点客服、博物馆导览员需要标准化话术，真人培训成本高且口径不一。数字人员工用统一音色和形象播报，支持实时问答与情感表达，话术更新无需重新录制，秒级生效。

具体案例：某政务服务中心部署数字人“办事员”，在触摸屏上实时渲染，用户提问时 TTS 立即合成回答，口型与声音同步误差控制在 100 毫秒内，同时用微笑、点头等微表情提升亲和力，日均服务量提升 3 倍。

短视频短剧批量生产

阶段：建模模板复用 + 动作生成 + 渲染输出

解决的问题：短视频 IP 需要日更，传统三维动画单集成本数万元、周期数周。通过模板化角色和 AI 动作生成，实现“角色换肤加自动表演”，把单集成本降到千元级，产能提升一个量级。

具体案例：某 MCN 机构用同一套头部模板批量“换皮”生成 10 个数字人 IP，动作库从动捕棚录制后复用，配合云端渲染农场批量出片，一周产出 30 集短剧，人力缩至原来的五分之一。

Python 演示

python69 行
# -*- coding: utf-8 -*-"""数字人口型驱动模拟: 把音素时间序列映射为嘴部融合变形权重"""import math # 音素 -> 视位 映射表PHONEME_TO_VISEME = {    "a": "open", "e": "open", "o": "round", "u": "round", "i": "spread",    "b": "closed", "p": "closed", "m": "closed",    "f": "teeth", "v": "teeth",    "n": "neutral", "t": "neutral", "d": "neutral",    "s": "spread", "z": "spread",    "sil": "neutral", "sp": "neutral",} # 视位 -> 融合变形权重VISEME_WEIGHTS = {    "open": {"jaw_open": 0.9, "lip_round": 0.1, "lip_closed": 0.0},    "round": {"jaw_open": 0.4, "lip_round": 0.9, "lip_closed": 0.0},    "spread": {"jaw_open": 0.3, "lip_round": 0.0, "lip_closed": 0.0,               "lip_spread": 1.0},    "closed": {"jaw_open": 0.0, "lip_round": 0.0, "lip_closed": 1.0},    "teeth": {"jaw_open": 0.2, "lip_round": 0.0, "lip_closed": 0.0},    "neutral": {"jaw_open": 0.0, "lip_round": 0.0, "lip_closed": 0.0},}  def phonemes_to_timeline(phonemes, fps=60):    """把 (开始秒, 结束秒, 音素) 列表转成逐帧口型权重序列"""    frames = []    for start, end, ph in phonemes:        viseme = PHONEME_TO_VISEME.get(ph, "neutral")        for f in range(int(start * fps), int(end * fps)):            frames.append((f / fps, ph, viseme, dict(VISEME_WEIGHTS[viseme])))    return frames  def smooth_timeline(frames, window=5):    """对每个权重做滑动平均, 模拟肌肉惯性, 避免口型跳变"""    if not frames:        return frames    keys = list(frames[0][3].keys())    smoothed = []    for i, (t, ph, vis, w) in enumerate(frames):        lo = max(0, i - window)        hi = min(len(frames), i + window + 1)        n = hi - lo        new_w = {k: sum(frames[j][3][k] for j in range(lo, hi)) / n for k in keys}        smoothed.append((t, ph, vis, new_w))    return smoothed  def main():    demo = [        (0.0, 0.20, "sil"),        (0.20, 0.35, "n"),        (0.35, 0.55, "i"),        (0.55, 0.75, "h"),        (0.75, 0.95, "a"),        (0.95, 1.15, "o"),        (1.15, 1.30, "sil"),    ]    raw = phonemes_to_timeline(demo)    out = smooth_timeline(raw)    for t, ph, vis, w in out[::12]:        print("t=%.2fs phoneme[%s] -> viseme[%s] %s" % (t, ph, vis, w))  if __name__ == "__main__":    main()
目的：模拟 TTS 输出的音素时间戳如何驱动数字人嘴部融合变形，并演示滑动平均平滑口型曲线。
  1. PHONEME_TO_VISEME音素到视位的映射表，相当于口型同步的“嘴型字典”。
  2. VISEME_WEIGHTS每个视位对应的 jaw_open、lip_round 等融合变形权重值。
  3. phonemes_to_timeline()把音素时间戳展开成逐帧权重序列，模拟 TTS 的时间轴输出。
  4. smooth_timeline()对权重做滑动平均，模拟肌肉惯性，防止口型突变。
  5. frames.append((f / fps, ph, viseme, dict(...)))每帧保存时间、音素、视位和一份拷贝权重，避免共享引用污染。
  6. out[::12]60 帧每秒中每隔 12 帧抽样打印，相当于每 0.2 秒输出一行，便于肉眼观察。

常见误区

误区“模型面数越多越精致，数字人看起来就越真实，所以建模时把面数拉满准没错。”

正解面数与真实感不是简单正比。实时直播渲染有帧预算，百万面模型会严重卡顿。正确做法是根据用途选择 LOD（细节层级）：直播用低模加法线贴图模拟细节，离线影视才用高模。面数超出需求，只会白白烧掉 GPU 预算，正应了欧拉公式之外的“够用就好”原则。

为何常见：因为“高清”“精细”在直觉上等于“多细节”，初学者容易忽略实时渲染的性能天花板。

误区“语音驱动就是拿 TTS 把文字念出来，然后数字人随便动动嘴就行，反正观众不会细看。”

正解真正的语音驱动链路包含：文本转音素、音素映射视位、视位驱动融合变形权重、时序对齐修正，还要把语音情感韵律传给表情。只播音频不动嘴，或动嘴与声音脱节，都会立刻触发“恐怖谷”效应——观众会觉得这个“人”不对劲。

为何常见：因为用户只看到“声音加嘴动”的表象，没有意识到背后音素级对齐的复杂管线。

误区“穿上动捕服录一段，数据直接导入就能让数字人动起来，不需要再处理。”

正解动捕数据包含传感器噪声、标记点遮挡缺失、骨架比例与数字人不一致等问题，必须先做数据清洗、去噪、重定向到目标骨骼，再用动作融合做平滑过渡，否则数字人会出现抖动、穿模、肢体穿插。动捕棚里的“原矿”必须经过精炼才能使用。

为何常见：因为演示视频里动捕效果看起来直接可用，忽略了动捕棚庞大的数据后处理工作量。

误区“只要 3D 模型做得漂亮，渲染出来像真人，数字人就成功了。”

正解数字人的体验由建模、绑定、口型、动作、渲染共同决定。一个精致的模型配上僵硬的口型和机械的动作，观感远差于模型一般但动效自然的数字人。“动起来”的质量才是生死线——木偶雕得再美，提线拉得笨拙，观众照样出戏。

为何常见：因为静态渲染图最容易吸引眼球，而动态自然度的差距需要左右对比才能察觉。

面试题

Q1. 闭合三角网格满足的欧拉公式是哪一项？

单选题 · easy

  • A.V − E + F = 2← 正确答案
  • B.V + E − F = 2
  • C.V − E + F = 0
  • D.V × E ÷ F = 2

答案：A。闭合网格遵循 V−E+F=2，这是判断网格是否密闭的拓扑标尺。B 符号错误会使拓扑值不一致；C 只对非闭合曲面成立；D 是随意拼凑的运算，没有拓扑意义。

Q2. 面部绑定中融合变形（Blend Shape）的核心思想是？

单选题 · easy

  • A.将基础网格变形量加权叠加← 正确答案
  • B.直接重绘全身的贴图
  • C.提高网格模型的分辨率
  • D.旋转骨骼层次的节点

答案：A。融合变形写成 B = B₀ + ΣwᵢΔBᵢ，是在基础网格上叠加各表情变形的权重和，A 对。B 属于贴图绘制，C 属于分辨率优化，D 属于骨骼系统的工作，都与融合变形无关。

Q3. 关于音色克隆，下列说法正确的是？

单选题 · mid

  • A.几秒到几分钟音频即可复刻音色← 正确答案
  • B.音色克隆不需要训练模型
  • C.克隆音色与文本语义无关
  • D.只能克隆同一性别的声线

答案：A。音色克隆通过说话人嵌入学习音色特征，少量音频即可复刻，A 对。B 错在仍需训练或微调编码器；C 错在克隆的是音色而非语义；D 错在音色与性别没有必然绑定。

Q4. 口型同步中“视位”（Viseme）指的是？

单选题 · mid

  • A.与音素对应的标准嘴型类别← 正确答案
  • B.录制好的面部视频片段
  • C.一种实时渲染的光照技术
  • D.语音信号的频谱特征

答案：A。视位是“可视的音素”，即每个音素对应的标准嘴型，用于驱动融合变形，A 对。B 是视频素材，C 是渲染领域概念，D 是声学特征，均与视位无关。

Q5. 发现口型比声音平均慢 0.2 秒，最合理的修正是？

单选题 · mid

  • A.剪掉音频中迟到的零点二秒
  • B.将口型动画整体前移零点二秒← 正确答案
  • C.调大音量盖住不协调感
  • D.换一条全新配音重新对齐

答案：B。系统性滞后时整体平移动画对齐是最快最稳的做法，B 对。剪音频会破坏语义和节奏；调音量解决不了视觉错位；换配音成本高且未必触及根因。

Q6. 光学动作捕捉系统的核心原理是？

单选题 · mid

  • A.多摄像机追踪反光标记点← 正确答案
  • B.麦克风采集动作声音信号
  • C.扫描演员肌肉形态变化
  • D.惯性传感器推算关节角度

答案：A。光学动捕靠多台高速摄像机同步捕捉演员身上的反光标记点，再三角化重建三维坐标，A 对。D 是惯性动捕的原理，B 和 C 与动捕无关。

Q7. 动作融合公式 P(t) = Σαᵢ(t)Pᵢ(t) 中 αᵢ(t) 的含义是？

单选题 · hard

  • A.每个动作片段在 t 时刻的实时权重← 正确答案
  • B.动作素材总体的播放速度
  • C.数字人关节的旋转角度
  • D.三维模型的总面片数量

答案：A。αᵢ(t) 是第 i 个动作片段的时变混合权重，控制各动作的混合比例，权重平滑才能避免跳变，A 对。B、C、D 分别属于播放控制、骨骼数据、网格统计，与融合权重无关。

Q8. 下列哪些属于数字人建模的常用方式？

多选题 · easy

  • A.手绘贴图与材质绘制
  • B.三维扫描重建高精模型← 正确答案
  • C.音频特征直接提取建模
  • D.手工雕刻建模与拓扑← 正确答案

答案：BD。数字人建模常用三维扫描（B）与手工雕刻（D），两者常结合使用。A 是建模之后的贴图环节，C 属于语音处理技术，均不属于几何建模。

Q9. 影响口型同步自然度的因素有哪些？

多选题 · mid

  • A.音素映射表的准确性← 正确答案
  • B.视位起止时间的对齐误差← 正确答案
  • C.相邻音素间的协同发音← 正确答案
  • D.语音情感与表情的匹配← 正确答案

答案：ABCD。自然口型是系统工程：映射要准（A），时间要齐（B），要处理协同发音的过渡（C），情绪还要配合表情（D）。任何一环粗糙都会放大“恐怖谷”效应。

Q10. 以下哪些措施可以降低数字人制作成本？

多选题 · hard

  • A.复用标准头部身体模板← 正确答案
  • B.使用云端渲染农场计费← 正确答案
  • C.AI 生成姿态替代部分动捕← 正确答案
  • D.全面提高模型面数精度

答案：ABC。模板复用（A）、按量付费的云渲染（B）、AI 姿态生成（C）都是主流降本手段。无条件提面数（D）只会增加算力和时间成本，与成本控制目标背道而驰。