AI 數位人與 Avatar 是什麼？一張照片為什麼能開口、做表情甚至演戲

你可能看過這種影片：

• 一張插畫角色突然開始講話
• 一張真人照片開始眨眼、點頭
• 卡通人物完整模仿真人的表情和手勢

這些都可能被統稱成 AI Avatar（AI 虛擬角色） 或 Digital Human（數位人）。

但它們背後不一定是同一種方法。

最簡單的 Avatar：一張臉 + 一段聲音

最基礎的 Talking Avatar 工作流可能只需要：

角色圖片
+
語音
→
會說話的角色影片

這裡核心通常是 Lesson 040 提到的 Lip Sync：讓嘴型與語音對齊，再加上眨眼、頭部小幅動作。

適合：

• 說明影片
• 教學旁白
• 虛擬主持人
• 短版社群內容

但如果你想讓角色真的「演戲」，只動嘴通常不夠。

Performance Capture：讓另一個人提供表演

Performance Capture（表演捕捉） 的思路是：

真人先演一遍。

模型再把：

• 臉部表情
• 頭部方向
• 身體動作
• 手勢
• 說話節奏

轉移到另一個角色身上。

Runway 的 Act-Two 官方說明就是典型例子：輸入 Driving Performance Video，再提供 Character Image 或 Video，系統把表演轉到角色上。

Driving Performance 是「演技來源」

Driving Performance（驅動表演） 可以想成替數位角色提供一位替身演員。

例如你錄一段自己：

先皺眉
→ 指向右邊
→ 笑
→ 往後退一步

最後影片裡做這些動作的，不一定是你。

可以是一個：

• 卡通角色
• 機器人
• 歷史風格人物
• 品牌 Mascot

你的表演提供「怎麼動」，Reference 提供「看起來是誰」。

Character Reference 是「數位戲服」

Lesson 038 已經講過 Reference 的用途：它不是只描述角色，而是在給模型一個更穩定的身份錨點。

放到 Avatar 工作流，就是：

Driving Performance = 演技
Character Reference = 外觀

這兩層能分開，是現在數位角色很強的一個原因。

Gesture Control：不只是臉

早期 Talking Head 很容易只剩：

臉在動，身體像紙板

現在部分工具會把手勢和身體也納入控制。

這會讓角色更像真的表演，而不是一張會講話的照片。

不過動作越大，模型也越容易遇到：

• 手指變形
• 四肢遮擋
• 身體比例漂移
• 衣服細節跳動

所以全身 Avatar 通常比半身 Talking Head 難。

即時 Avatar 和離線生成又不一樣

有些數位人要先生成一段影片，等幾分鐘再拿結果。

另一些目標則是 Real-time Avatar（即時虛擬角色）：

使用者說話
→ AI 即時理解
→ 生成語音
→ 角色同步表情與嘴型
→ 幾乎即時回應

這對客服、遊戲 NPC、直播角色很有吸引力，但要求也更高，因為延遲不能太長。

AI Avatar 最容易被忽略的是「身份權利」

如果角色是虛構人物，主要要看素材授權與模型平台條款。

如果角色像真實人物，就多了：

• 肖像權
• 聲音權
• 本人同意
• Deepfake 風險
• 商業用途授權

不要因為技術可以把 A 的臉、B 的聲音、C 的表演合在一起，就假設法律與平台規則也允許。

最實用的新手工作流

如果你只是想做一個自己的虛擬主持人，可以先：

1. 做一張乾淨的角色母圖。
2. 先測 10 秒 Talking Avatar。
3. 確認嘴型與聲音。
4. 再加入手勢。
5. 最後才做大幅度全身動作。

每次只增加一層，問題比較好找。

一句話帶走

AI Avatar 可以把「角色長什麼樣」和「角色怎麼演」分開：Character Reference 提供外觀，Driving Performance 提供表情與動作，再搭配語音與 Lip Sync。這就是一張照片能逐步變成會說話、會表演的數位角色的核心思路。