让对话拥有形象：OpenRealtime 数字人

上传一张人物图片，为它准备自然的动作，再赋予声音与性格，一个可以与你对话的数字人就有了起点。它可以是网站里的讲解员、随时回应的助手，也可以是陪你聊天的虚拟角色。

OpenRealtime 将人物形象、动作素材和实时语音放在同一套体验中。你可以使用云端数字人服务，获得实时的人物表现；也可以复用自己的图片与动作，通过本地口型合成完成对话。不同场景对真实感、成本和部署方式的要求不同，这篇指南帮你找到适合自己的方案。

在 OpenRealtime 中，你可以做什么

从人物准备到开始对话，数字人模块提供了一条连贯的使用路径：

• 创建与管理形象。 保存人物图片，在资产库中管理自己的数字人。
• 为人物制作动作。 通过图片与动作参数，或图片与驱动视频，生成并预览动作素材。
• 用图片或动作开始对话。 图片可以作为口型合成的基础；已有动作可以在说话时复用，让人物更有动态表现。
• 连接云端实时形象。 已支持 Anam 实时数字人，配合 OpenRealtime 的语音对话使用。
• 赋予角色性格。 为数字人关联 Persona，让形象与对话风格相互配合。

当前已提供 Anam 托管播放与本地 Wav2Lip 口型合成。下文同时介绍其他可供选型的服务和模型；独立的“轻量动作模式”正在规划中。

三种方案，满足不同需求

一、端到端实时驱动：把人物表现交给云端

你提供人物与对话内容，云服务负责生成实时数字人画面。无需自行部署视频模型，便能为产品加入说话、表情和动作，适合客服接待、产品讲解和重视真人表现的互动场景。

Anam 和 HeyGen 的 LiveAvatar 是这一类的代表。它们减少了模型部署和媒体处理的工作，但会持续产生会话费用。选择时，除了观看人物效果，也要比较分钟额度、并发数量和单次会话时长。

Anam：已接入 OpenRealtime

Anam 支持实时数字人对话，也允许接入自己的语音与对话系统。OpenRealtime 使用其人物视觉能力，将对话回复呈现为实时数字人画面。

付费套餐从 $12/月起，包含 50 分钟会话；也提供免费体验额度。费用按整个会话时长计算，包含倾听和静默时间。详细套餐见文末价格附录。Anam 官方定价

HeyGen LiveAvatar：实时服务选型参考

LiveAvatar 是 HeyGen 的实时数字人产品，与生成成片的 HeyGen 视频 API 分开计费。它提供两种使用方式：FULL 包含对话与语音链路，LITE 用于接入自己的对话和语音系统。了解两种模式

付费套餐从 $19/月起，包含 100 分钟 FULL 或 200 分钟 LITE 用量。LiveAvatar 作为选型参考介绍，尚未接入当前页面的正式播放流程；详细套餐见文末价格附录。LiveAvatar 官方价格

Tavus、D-ID、Simli 和 LemonSlice 也提供相关实时服务，可作为不同画风、预算与集成需求的候选。

二、多段式合成：让人物按你的方式动起来

多段式合成将人物画面、动作和口型分别处理。你可以先准备好形象和动作，在每次回答时用新的语音驱动嘴部。这种方式便于复用素材，也为自部署和效果调整留下了空间。

按人物画面的驱动方式，可以进一步分为三类。

图片驱动 + 口型对齐

从一张照片开始，让人物开口说话。

人物图片提供外观，语音生成对应嘴形，再合成为说话画面。照片播报、简单导览和静态人像助手，都可以采用这一方式。Wav2Lip、MuseTalk 是常见的口型模型。Wav2Lip、MuseTalk

它的素材门槛较低：不必先拍摄或生成动作视频。不过，固定图片主要依靠嘴部变化表达说话，长时间近景交流时，人物的动态会比较有限。

**适合你：**希望先用一张图片体验数字人，再逐步增加动作。OpenRealtime 已支持图片作为本地口型合成的基础。

动作驱动 + 口型对齐

保留自然的身体与头部动作，让人物说出新的内容。

提前录制或生成一段人物视频，保留其中的呼吸、转头、姿态和手势；对话时根据当前语音更新嘴形。数字讲解员、虚拟主播，以及带有自然动作的陪伴角色，都适合这一方式。

LiveTalking 和 OpenTalking 的典型视频模板链路属于这一类。两个框架也支持其他模型与工作流，具体效果取决于所选方案。

**适合你：**已有喜欢的人物视频，或愿意制作一组可反复使用的动作。OpenRealtime 已提供动作素材管理与预览，并支持动作底片配合本地口型合成。动作来自底片，手势不一定随每次回答的含义变化。

面部动作驱动 + 口型对齐

让眨眼、视线、微笑和头动，与说话一起构成人物表现。

AI 赛博女友、近景陪伴人像等场景，往往更重视面部反馈：倾听时注视与眨眼，回应时微笑或轻轻点头。这类需求可以通过单独驱动面部运动，再协调语音嘴形来实现。

例如，使用 LivePortrait 或 FasterLivePortrait 控制表情与头动，再搭配口型模块；也可以用 JoyVASA 从音频生成面部运动。若模型已经生成与语音匹配的嘴形，就不必再叠加一次独立改嘴。

**适合你：**重视近景表情和陪伴感，希望人物反馈更丰富。OpenRealtime 可先将面部驱动生成的动作保存为素材使用；在线独立控制表情并协调口型，属于进一步扩展的方向。不同赛博女友产品可能采用不同技术，这里介绍的是一种可选工作流。

选择多段式合成时，可以用同一人物、同一段语音比较自然度、口型与响应速度。当前正式本地口型路径为 Wav2Lip，其他模型属于可扩展的选型方向。具体模型、算力与授权提示见文末附录。

三、预生成动作编排：把成本留在素材制作阶段

如果你希望人物有动作、嘴巴会动，又不想维护实时口型模型，可以选择另一种思路：提前做好待机和讲话动画，对话时按状态切换。

这里的嘴形来自预制视频，不逐字匹配当前音频。好处是可以保留素材本身的画质，省去持续口型推理，也不必等待视频模型生成。素材制作一次后可以反复使用，运行成本主要来自语音、存储、网络与视频播放。

适合低成本、重陪伴的体验

网页助手、小尺寸头像、风格化角色和轻量陪伴聊天，都值得尝试这条路线。多准备几段自然的动作、保持画面切换连贯，可以减少静态感和重复感。

这类做法已有产品参考：Kindroid 的头像动画提供预生成动画体验；veadotube mini通过声音状态切换开闭嘴与动画。它们体现了同一个思路：通过状态与素材，也能让角色表达“正在倾听”或“正在说话”。

**如果你没有专用 GPU，并且更看重动作自然与低成本，预生成动作编排值得优先考虑。**如果画面是大特写，或用于发音教学、严肃播报，精确口型通常更重要。

OpenRealtime 轻量动作模式：规划中

OpenRealtime 已具备人物与动作素材管理能力。规划中的轻量动作模式将复用这些素材，让人物按实际音频播放状态切换待机与讲话，支持回答结束和打断后的状态回切。

这一模式的目标是：无需实时口型推理，也能获得有动态表现的数字人。它尚未作为独立会话模式开放。

从适合你的第一步开始

**想尽快获得实时人物体验，**可以先使用已接入的 Anam，减少视频模型部署工作。

**想拥有自己的形象和动作，**可以从图片开始，再创建动作素材，使用本地口型合成逐步完善表现。

**想把成本控制得更低，**可以关注规划中的轻量动作模式，将预制素材用于待机与讲话，接受非精确口型，换取更轻的运行方式。

前往数字人资产库管理你的形象，或打开数字人工作台，开始准备第一个角色。

附录：价格与技术参考

以下资料供需要比较套餐或自行部署的读者查阅。价格为美元月付参考价，以供应商实际结算规则为准；税费及自带语音、模型费用另计。

Anam 套餐

Anam 按会话从开始到结束的时间计费，倾听和静默也包含在内。Starter 起支持商用，Explorer 起支持移除嵌入组件水印。查看 Anam 套餐详情

LiveAvatar 套餐

FULL 每分钟消耗 2 credits，LITE 消耗 1 credit。Essential 包含一个 720p 自定义形象，Business 包含一个 1080p 自定义形象。查看官方价格与额度

以上为美元月付参考价，实际价格以供应商结算页为准，税费及自带语音、模型费用另计。例如每月使用 1,000 个计费分钟，Anam Explorer 约为 $154；LiveAvatar Essential LITE 为 $99，另加自带语音和对话费用。两者的服务范围与人物效果需结合实际需求比较。

模型与算力参考

这些是生态选型参考，当前正式本地口型路径为 Wav2Lip；其他模型的可用性需要相应部署与接入。通用人像合成通常需要 GPU，轻量模型则可能通过人物训练或专用资产降低运行成本。FeatherTalk、DH_live

选型时，建议用同一人物和同一段语音比较嘴部细节、表情自然度和响应速度。**口型更准确、画面更自然、运行更便宜，是需要一起权衡的三个目标。**原版 Wav2Lip 有非商业用途限制；商用部署应确认具体模型权重和人物素材的授权。Wav2Lip 使用说明