李沐团队发布实时数字人模型，一张照片即可生成可对话、会表情反馈的虚拟形象。
原文标题：大神李沐回归B站「做了个实时数字人」，直言「水平吊打我自己」
原文作者：机器之心
冷月清谈：
怜星夜思：
2、只靠一张照片生成数字人，会不会带来新的身份冒用和隐私风险？
3、数字人越像真人，用户体验一定越好吗？还是会有“恐怖谷”问题？
4、BosonAI 强调全栈自研，不拼接外部 API，这对实时语音智能体真的那么重要吗？
原文内容
时隔近一年，那个在 B 站教大家阅读 AI 论文的大神李沐 @跟李沐学 AI，终于回归了！
在最新一期视频中，李沐「做了个实时数字人」，并与 TA 进行视频对话，从视频来看，数字人形象确实挺逼真的，用他自己的话说，「水平吊打我自己」！
而这背后的技术正是李沐的创业公司——BosonAI 发布的一款名为 Higgs Avatar v1 的模型：面向语音智能体的实时数字人。
官方介绍，作为一个实时基础模型，Higgs Avatar v1 能够为客服对话、虚拟助手、培训以及互动体验带来更接近真人的数字化形象与临场感。
而且操作起来非常简单，只需要一张静态图片，就能生成生动、富有表现力的面部表情，并支持说话、倾听和回应。所有操作都以逐帧方式完成，并与音频保持同步。
BosonAI 团队介绍，上述李沐的展示的视频内容完全由 AI 生成，不仅没有预设脚本，也没有动画制作流程、预渲染循环，每一帧都是实时渲染完成的 —— 包括声音、对话、口型同步、头部动作和表情。
并且，整套流程仅在单张 H100 上就可以运行。
下面再来看几个官方给的使用案例，大家来评一评效果如何？
实时保险 Agent 展示：
AI 教练鼓励用户的 Demo 展示：
AI 艾伦・图灵访谈：
两个 AI 虚拟形象在探讨人类情感：
只要一张照片，上演「大变活人」
根据 Boson AI 团队披露的技术细节，Higgs Avatar v1 具备以下四大核心优势：
无脚本的即兴表演： 模型会跟着语音流，逐帧实时渲染出唇形同步、头部动作和面部表情。你听到什么，就看到什么，完全是即兴发挥。
开局一张图，剩下全靠 AI： 不需要好莱坞级别的 3D 动捕，也不用预先录制僵硬的循环视频。只要给它一张静态照片，Higgs Avatar v1 就能瞬间生成一个会听、会说、会给反应的动态面孔。
快到没有「时差」： 业界公认保持实时对话不卡顿的延迟底线是 62.5 毫秒，而 Higgs Avatar v1 生成一帧画面只需要 16 毫秒！这意味着数字人的表情永远紧紧贴合声音，绝不拖泥带水。
极致的算力性价比： 对于企业级应用而言，成本是落地的关键。单张 H100 GPU 即可同时支持 8 路实时对话并发，将单次对话的成本压缩到了完全能够满足大规模生产部署的水平。
Higgs Avatar v1 的发布，为 Boson AI 的产品栈补齐了一块关键的视觉拼图。
在实际业务场景（如保险销售、企业教练、虚拟面试及互动娱乐等）中，Boson AI 现已形成了双擎驱动的格局：Higgs Audio 负责语音的理解与生成，Higgs Avatar 负责赋予 AI 真实的「面容」。
「我们之所以坚持自研基础模型，是因为生产环境中的对话式 AI 无法由外部组件拼凑而成。」 Boson AI 团队在发布声明中强调。
如果只是把现成的外部 API 缝合在一起，延迟卡顿、抢话冲突、声音跟表情脱节等问题根本没法解决。只有从头开始全栈自研，把声学与面部表情的情感对齐、端到端的工作流编排死死咬合在一起，才能彻底打破交互的隔阂。
怎么玩？
目前，Higgs Avatar v1 已经进入内测（Private Preview）阶段，接下来会搭载在他们即将推出的语音聊天体验产品 Boson Presence 中和大家见面。
迫不及待想看看沐神新作品的同学们，可以去官网排个 Waitlist 占坑了。对于有企业集成、定制模型或 API 访问需求的客户，也可直接通过官方邮箱联系。
B 站视频：https://www.bilibili.com/video/BV1pB586fEap/?spm_id_from=333.1387.upload.video_card.click
更多见： https://www.boson.ai/blog/higgs-avatar-v1
加入试用：https://tally.so/r/VLvKgE
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com