上下半场的分界线
数字人产业的技术竞赛正在换挡。上半场比的是拟真度——像不像真人、皮肤材质、口型同步；下半场考验的是交互能力与落地价值。中国数字人产业正经历从“展示型”向“实用型”的转向。
增长很猛，痛点也很真
据沙利文报告，中国数字人赛道年复合增长率达 52%，约为全球增速的 1.5–2 倍，亚太已是全球最大增量市场。
但高速增长背后，“落地难”是共性痛点：多数数字人仍停留在照本宣科的展示阶段——能输出不能互动，能录制短视频却撑不住长时直播。实时交互能力成为制约产业规模化落地的核心瓶颈。这也是为什么很多企业买了数字人，用了两个月就闲置：内容发完了，互动接不住，价值就停在“新鲜感”。
实时交互成了分水岭
2026 世界人工智能大会上，虎牙发布自研实时多模态数字人基础模型 VAM 1.0。它的关键点是：
- 基于 DiT 架构，全链路实时生成；
- 仅需输入一张静态照片，即可生成能实时说话、聆听、反应的数字人形象；
- 无需预渲染和录播素材，每一帧均为在线实时生成；
- 原生覆盖静默、聆听、说话三种对话状态——用户发言时同步做出注视、点头等反馈，用户停顿可自然接话，被打断能即时响应；
- 支持弹幕、语音双通道驱动交互。
成本结构正在改变
随着数字人技术融入直播、内容全链路，内容供给模式从真人主导的线性供给，转向“真人+AI数字人”的多元供给，边际成本随规模扩大持续下降。行业普遍的体感是：AI 让数字人制作成本大幅下降、创作效率成倍提升，过去只有大预算才能做的虚拟形象，现在中小企业也用得起。
企业怎么选：两条路线不冲突
现在市面上的数字人应用基本分两条线，企业要按场景选，别被概念带偏：
- 批量口播线：目标是降本、批量、稳定输出。适合产品介绍、知识科普、矩阵账号铺量。看的是单条边际成本和风格一致性。
- 实时互动线：目标是7×24 在线应答、按需讲解。适合客服答疑、导览咨询、直播互动。看的是响应延迟、知识库质量和对话自然度。
选之前先问一句：我要的是“用更低成本把内容铺起来”，还是“要一个能实时对话的在线员工”。这两个目标对应的技术、成本、验收标准完全不同。我们在 数字人 vs 真人IP 和 AI数字人口播规模化 里分别拆过。
一个提醒
实时交互能力越强，越要守住内容底线：形象与声音素材必须有授权，知识库必须可信，互动设计必须有节制。技术降低的是生产门槛，不是责任门槛。