AI分身

定义

AI分身指以真实个人为原型、由人工智能技术在数字空间构建的虚拟形象，通常同时具备该人物的面容、音色与语言风格，可由文本或语音驱动生成视频、语音或实时对话^[1]。它与一般的三维动画角色不同，其数据来源是特定真人的影像、声音和语料，目标是在形象与行为上接近原型本人^[3]。

在技术谱系上，AI分身属于数字人的一类。按照拟真程度，数字人可分为只复刻外观的形象级、具备语音交互能力的交互级，以及进一步承载记忆与性格的意识级，AI分身通常介于后两者之间^[3]。按呈现方式，还可区分为基于平面图像的二维分身与基于三维模型的三维分身，后者在立体感和动作表现上更强^[4]。

在中国现行规范中，AI分身涉及的形象克隆与声音克隆被归入深度合成技术的范畴，其中明确包含人脸生成、人脸替换、姿态操控以及三维重建、数字仿真等生成或编辑数字人物的技术^[5]。

原理

构建一个AI分身一般要完成形象、声音和语言风格三条技术路线的建模。形象方面，早期需要借助结构光扫描仪、相机阵列等设备采集三维数据，如今可仅凭一张普通照片或一段短视频生成三维头部模型，并在光线变化或面部被遮挡时保持表情捕捉的稳定^[1]。三维扫描技术使建模效率大幅提升，材质与纹理环节还会模拟皮肤次表面散射等效果以增强真实感^[4]。

声音方面依赖语音克隆。由于每个人的声纹具有独特性，语音大模型可以用一句台词作为参考复刻音色与说话风格，也可用约十分钟的真人录音完成音色与情感表达的同时复刻^[1]。在合成流程中，播报文本先经人声克隆模型生成带特定音色的语音帧序列，再由语音特征预测关键点序列，进而驱动唇形、表情与肢体动作^[6]。

驱动环节把静态模型变为可动形象，常见做法是在模型内部建立骨骼系统并将顶点与骨骼关联，再由动作捕捉或算法预测驱动骨骼运动^[4]。语言风格与记忆维持是最难的部分，评测重点在于分身能否在长时间交互中始终保持与本人一致，避免随着对话推进而逐渐偏离原型^[1]。

整体流程可用下图概括：

flowchart LR

A[真人照片/视频/录音] --> B[形象建模]

A --> C[声音克隆]

A --> D[语料与风格分析]

B --> E[多模态合成与驱动]

C --> E

D --> E

E --> F[视频、语音或实时对话输出]

发展历程

AI分身在早期属于高成本项目，制作一个高保真三维数字人需专业团队耗时数月、投入上百万元预算，并依赖昂贵采集设备^[1]。随着三维扫描与算法建模的普及，建模周期由手工雕刻的长期作业缩短到数分钟量级^[4]。

大模型技术成熟后，制作门槛进一步下降。行业实践中，采集真人素材的时长从早期的一至两小时压缩到三至五分钟，形象与声音模型的训练可在一天内完成，针对直播带货等特定场景甚至能在半小时左右产出可用分身^[7]。平台侧也普遍把流程简化为上传自拍与语音样本即可生成分身^[8]。

2022 年 11 月 25 日，《互联网信息服务深度合成管理规定》公布，并自 2023 年 1 月 10 日起施行，对深度合成服务提出训练数据管理、真实身份认证与内容标识等要求^[5]。此后行业内出现面向个人用户的分身类产品，用户上传自拍、录制声音并回答若干设定问题即可生成具有持续记忆、可自主互动的分身。也有研究团队发布数字虚拟生命体系统，用户提供一张照片约三十秒即可生成带三维形象和人格设定的分身^[9]。

应用

直播电商是最早规模化的场景。2025 年 6 月，一位企业家的数字人完成首次直播带货，持续六小时以上，商品交易总额达 5500 万元，观看人次超过 1300 万；同年双十一期间，有统计显示超过八成的开播主播使用过数字人直播^[1]。企业营销与内部培训中，提供文字或语音内容即可生成以本人形象和声音为特征的视频，用于公司宣传、客户沟通与培训材料^[10]。

教育与医疗是另一类落地场景。高校出现真人教师负责价值观引导、分身承担提示词技巧等标准化内容讲授的分工模式；多地医疗机构用分身开展诊前预问诊与诊后康复随访，试点基层医院的门诊前置问诊效率提升约六成^[1]。在内容消费领域，部分影视剧上线时推出角色分身，观众可与剧中人物实时对话^[1]。

办公与创作工具也逐步集成该能力，视频制作工具允许用户基于自拍和语音样本生成数字人头像并直接用于视频创作^[8]。企业级平台则以克隆人像与音色为基础，提供多语种口播视频、直播间搭建和弹幕互动等功能^[11]。

局限

生成质量仍受技术条件制约。许多分身在表情上偏呆板、姿态相对固定，仅手部有少量动作，如何生成侧脸、走动、手势等大幅姿态是行业尚待突破的难点^[7]。长时生成中还存在身份漂移问题，即形象在后续帧中偏离原型，需要通过一致性建模加以抑制^[12]。

授权与合规是使用层面的硬约束。按照《互联网信息服务深度合成管理规定》，提供人脸、人声等生物识别信息编辑功能的服务方，应提示使用者告知被编辑的个人并取得其单独同意^[2]。服务提供者还需对生成或编辑的内容添加标识，对可能造成公众混淆或误认的情形进行显著标识，任何组织和个人不得删除、篡改或隐匿这些标识^[5]。实践中，定制形象通常需配套提交本人授权材料后方可训练^[13]。

此外，克隆他人形象与声音的能力本身也可能被不当使用，因此规范要求服务提供者建立健全管理制度、对输入数据与合成结果进行审核，并保存日志信息^[5]。这些要求构成了AI分身走向大规模应用时必须面对的制度条件。

参见

• 数字人 —— AI分身是数字人中以特定真人为原型的一类虚拟形象。

• 深度合成 —— 形象克隆与声音克隆属于深度合成技术的典型应用。

• 语音克隆 —— 复制个人音色与说话风格的关键技术环节。

• 动作捕捉 —— 为分身提供自然肢体动作与表情的数据来源。

• 大语言模型 —— 支撑分身对话、知识回答与风格模仿的底层模型。

• 互联网信息服务深度合成管理规定 —— 对AI分身所涉内容标识与授权作出规定的规范性文件。