【工具分享】数字人方案深度调研：8 个方向 90+ 方案的选型全景与许可证暗坑

调研截止日期：2026-09-26 覆盖范围：8 个方向、90+ 个方案/组件——开源实时交互全栈、开源视频生成大模型、国际商业 SaaS、国际实时对话 Avatar API、国内云厂商与企业级平台、国内垂直 SaaS 与直播带货工具、核心技术管线（口型/TTS/ASR/LLM/RTC）、成本部署合规横评。 方法与可信度说明：所有价格、性能、硬件数字均取自本轮调研材料（官方定价页/官方文档/GitHub 仓库与 API 实抓为主，第三方实测明确标注）；关键论断经独立核实并按三档处理——confirmed（按核实口径书写）、refuted（按核实后的实际情况修正书写，正文即修正后口径）、unverified（正文标注「待证实」）。核实过程本身读到的一手证据（LICENSE 原文、README 原文、官方计费文档）在第六节来源汇总中列出。 相关文章：口型驱动引擎 MuseTalk 的单独深度拆解见《MuseTalk 深度拆解：6GB 显存笔记本上能跑的「可商用」实时口型数字人》。

一、执行摘要

1.1 总体格局：三条主线与一个拐点

主线一：开源实时交互全栈自部署成熟可用。 LiveTalking（9,613 star、2026-09-13 仍在提交）以「流式口型驱动 + WebRTC/RTMP/虚拟摄像头三路输出」成为直播带货事实标准；OpenAvatarChat（阿里达摩院系，Apache-2.0）以模块化 VAD→ASR→LLM→TTS→Avatar 全链路成为对话数字人基座，官方平均响应约 2.2 秒，0.6.0 起前后端分离便于嵌入自有页面；新一代扩散流式说话头 SoulX-FlashHead（1.3B，Apache-2.0，单张 4090 跑 Model_Lite 达 96 FPS 或 3 路并发实时）已接入 OpenAvatarChat 与 CyberVerse，代表自然度升级路线。打断（barge-in）方面 OpenAvatarChat、LiveTalking、Duix-Mobile、Linly-Talker-Stream、CyberVerse、Fay 均已支持。

主线二：开源视频生成大模型形成离线产线。 Wan2.2-S2V-14B（Apache-2.0，官方单卡需 80GB 显存、消费级靠 fp8 量化在 4090 上跑 480P）成为中文口播事实基座；美团系 MultiTalk（多人对话）→ InfiniteTalk（无限长 V2V 配音）→ LongCat-Video-Avatar 1.5（Whisper 口型增强 + 8 步蒸馏）逐代增强；HunyuanVideo-Avatar 代表动作/情绪/多人同框的能力上限，但受腾讯社区许可约束；阿里夸克+中科大的 LiveAvatar 证明「开源做到实时」需要 5×80GB 专业卡（45 FPS），实时与消费级当前不可兼得。

主线三：商业 SaaS/API 双轨并行。 国际阵营（HeyGen、Synthesia、Tavus、Anam）强在形象自然度、企业合规（SOC 2/ISO/SSO/SCORM）与开箱即用；国内阵营（火山、阿里云、百度、腾讯、硅基智能、蝉镜、有言）强在中文生态、价格梯度（30.4 元/月到 29999 元/年全覆盖）与电商直播场域绑定。

拐点是合规而非技术。 2025-09-01《人工智能生成合成内容标识办法》与强制性国标 GB 45438-2025 同步施行（显式标识 + 元数据隐式标识双重义务）；2026-02-01《直播电商监督管理办法》施行，首次将数字人主播纳入监管（AI 生成内容须全程显著标识、平台建立培训与黑名单制度，2025-12 抖音快手等 8 家头部电商已签规范应用 AI 承诺书）；视频号明确禁止数字人直播，抖音要求虚拟人直播由真人驱动实时互动并标注 AI 身份，2024 下半年处置数字人录播直播间超 17 万个、封禁账号超 3 万个。「能不能用」越来越取决于许可证与平台规则，而不再是技术参数。

1.2 与商业方案的真实差距（以及开源占优与持平的部分）

开源方案占优或持平的四项（范围与口径已按正文核实限定）：延迟——级联全链路流式化后工程实践约 1-1.5 秒、极限约 800ms 量级（见 2.7.1），OpenAvatarChat 官方平均 2.2s 为默认配置口径；对比 Anam 宣称 180ms 响应，开源并无绝对延迟优势，真实优势是口径透明、可私有化自测；打断（barge-in 六家开源已支持）；私有化与数据不出域（7 家国际视频 SaaS 无一家公开在售私有化）；成本——对国际 SaaS 有 3-20 倍量级优势（MuseTalk 档），对国内低价 SaaS 未必更低（硅基基础直播版第三方口径 200-500 元/月起、慧播星免费计划近乎零成本；自建单路直播月成本约 1,400 元起，见 5.2），开源的价值在可控、可深度定制与无订阅锁定。

开源仍落后一代的三层：微表情/微动作丰富度（社区口碑一致：「基础表情 OK、久看机械」）、口型细节（wav2lip 96×96 清晰度低且严禁商用、MuseTalk 有嘴唇颤抖与单帧抖动、256×256 面部区域上限）、开箱即用与长时稳定性（OpenAvatarChat RTC 默认 900 秒断连需改配置；LiveTalking 多路并发实际余量远小于理论值——官方基准 MuseTalk@4090 仅 72FPS 勉强 2 路实时，用户实测单 4090 五路同说已卡顿）。2026 年追求自然度的务实路径：用扩散流式模型换画质（SoulX-FlashHead Pro 实时需双 RTX 5090），或接受 Lite 版的自然度折中。

1.3 五个反直觉事实（均经独立核实）

1. 「全球免费商用」与 LICENSE 正文可以相差 100 倍。 硅基智能 Duix.Avatar（原 HeyGem.ai，15,585 star）与 Duix-Mobile 的 README 宣称免费商用（附条件为「10 万用户以上或年收入超 1000 万美元需签商业协议」），但两份 DUIX.COM Community License 原文第 2 条实为「月活用户（MAU）超过 1,000 即须申请商业授权，且是否授予由官方单方决定」，另强制「Built with/Powered by DUIX.COM」署名、派生模型名须以 DUIX.COM 开头。1000 MAU 的门槛对任何正经上线的产品都极易触发。
2. 「官宣开源」可能一行代码都没有。 昆仑万维 2025-08-11 宣布「发布并开源」SkyReels-A3，但经 GitHub 组织仓库列表、HuggingFace 与 ModelScope API 搜索核验：无代码仓库、无权重、论文标注 To be Released，项目主页 skyreels-a3.github.io 现已 404。选型时应把它归入闭源 SaaS。
3. 网红方案的费率宣传与官方文档不符。 HeyGen「Avatar IV 约 20 credits/分钟、600 credits≈30 分钟」仅见于第三方转述；官方帮助中心（2026-09-09 更新）原文为 Photo Look 16 credits/分钟、Video Look 31 credits/分钟，Creator 档 600 credits 实际产出约 19-38 分钟。
4. 国际 SaaS 定价一年内多次改版，「无限分钟」已成历史。 Colossyan 曾有「Business $70/月（年付）NEO 1 无限分钟」档，2026-09 官网已改版为 Starter 免费 / Professional $59/月（年付，30 分钟/月，非无限）/ Enterprise 定制（无限）；Vidnoz 官网实际为 Starter 450 credits/月、Business 900 credits/月（并非第三方流传的 15/30 credits）。所有 SaaS 比价必须以当日官网为准。
5. 竞品页面的基准测试常被当成官方数字引用。 广为流传的「Tavus 首帧 1.4 秒」并非 Tavus 官方文档数字——Tavus 官方延迟文档无任何量化指标，1.4s 实际出自竞品 Anam 的延迟基准页（其对 Tavus 的独立测量）；Tavus 自家营销口径为亚秒级（Phoenix-4 宣称 sub-600ms，第三方转述）。

1.4 总体选型推荐（明确结论）

一条总原则：有技术团队、预算敏感、数据敏感 → 开源自建（可商用的核心组合：Wan2.2 全家 / LatentSync / OpenAvatarChat / SoulX-FlashHead 为 Apache-2.0；MuseTalk 为代码 MIT + 权重凭官方 README 声明「any purpose, even commercially」可商用——该可商用结论出自 README 声明而非独立许可文件，商用前应留档声明原文；Linly-Talker、VideoChat 为 MIT；任何组合都需叠加所用组件自身许可，如 CosyVoice Apache-2.0、SenseVoice 等模型权重以模型卡为准）；求快、求效果上限、无运维 → 商业 SaaS/API（国内：蝉镜、有言、火山引擎；国际：HeyGen、Synthesia、Anam）；中大型实时交互场景 → 混合架构（开源渲染 + 云端语音大模型，构成与月成本测算见 5.2 场景 C）通常是成本与风险的最优平衡。

四个高频场景的一句话结论（详细论证见第四节）：

• 直播带货：抖音/快手场首选 LiveTalking 自建（museTalk 档）+ 真人驱动实时互动 + AI 标识，单路 7×24 月成本约 1,400 元起（GPU 按量 + 自部署 TTS；云大模型 TTS 另计约 3,000 元/月量级，详见 5.2）——该成本优势仅相对国际方案与国内定制方案成立（国内低价 SaaS 与慧播星免费计划更低，自建的价值在可控与无锁定）；百度电商场直接用慧播星（百度一镜）免费计划；视频号无解（明确禁止）。
• 短视频制作：中文批量口播首选自建 MuseTalk 管线（月产千分钟约 200-1,500 元，比 EMO 云 API 便宜 3-20 倍——该结论仅对 MuseTalk 档成立；Wan2.2-S2V 画质档千分钟需 3-5 张 4090 常驻、约 2,800-5,600 元/月，与云 API 打平，见 4.2）；零运维选蝉镜专业版 999 元/月或阿里百炼 EMO API（4.8 元/分钟）；出海多语种选 HeyGen。
• 实时交互（客服/陪伴）：自部署首选 OpenAvatarChat（默认形象/驱动组件许可已核实、生态最全）；需要人设记忆+RAG+工具调用选 CyberVerse（注意 GPL-3.0 传染性与旗舰卡门槛）；App 内嵌按 MAU 分流：预期 ≤1,000 选 Duix-Mobile，C 端放量预期改推 Web 方案（Duix 的 MAU 授权条款是一票否决项，见 4.3）；国内云端快速上线选火山 veRTC + 豆包；国际 API 中 Anam 计费最透明（按秒、$0.04-0.16/分钟）。
• 企业客服培训：国内培训视频首选有言（授权分级全行业最清晰）；国际/多语言企业培训选 Synthesia Enterprise（合规最全）；强合规政企走私有化（开源全自有或硅基等项目制），国际 SaaS 因数据出境基本不适用。

二、各方向详述

2.1 方向一：开源实时交互数字人（自部署全栈：客服/陪伴/互动直播）

本方向调研 8 个必选方案并补充 1 个新发现方案。总体结论：LiveTalking 是推流直播的事实标准（「事实标准」的依据是其社区规模、商用版存在与教程生态，无公开部署量/长跑稳定性数据），OpenAvatarChat 是对话基座标杆，Duix 系覆盖离线克隆与端侧渲染但许可有坑，GPL 系（Fay/CyberVerse）适合特定路线，VideoChat 已失维仅作技术对照。

2.1.1 OpenAvatarChat（HumanAIGC-Engineering）——对话数字人首选基座

• 定位与能力：阿里达摩院孵化的模块化实时数字人对话系统，单机串起 VAD→ASR→LLM→TTS→Avatar 全链路。形象驱动可插拔：LiteAvatar（2D、官方形象库、不支持外观自定义）、LAM（SIGGRAPH 2025，单张照片生成 Gaussian 头像、支持自定义与多路并发）、MuseTalk、SoulX-FlashHead（1.3B 扩散流式说话头）；ASR 集成 SenseVoice 与 Qwen-Omni，TTS 集成 CosyVoice 及 OpenAI 兼容 API，LLM 走 OpenAI 兼容接口/Qwen-Omni/Agent(Beta)。官方 README 口径平均响应约 2.2 秒（官方测试环境为 i9-13900KF + RTX 4090、30FPS；接入自有 LLM/RAG 后的 P95 无公开数据，需实测），支持手动打断与双工打断；0.5.1 起 LiteAvatar 支持单机多 session；0.6.0（2026-04-17）前后端分离，前端独立为 OpenAvatarChat-WebUI 仓库便于嵌入。注意：OpenAvatarChat 官方未公布各模式显存/并发基准，本报告「单 4090 并发 1-3 路高质量」的推断基于其口型引擎的 FPS 数据（MuseTalk 72FPS≈2.9 路、FlashHead Lite 96FPS≈3 路），非该项目自身基准。
• 部署：本地 uv 或 Docker（CUDA 12.8 构建；RTX 50 系必须 CUDA 12.8，Mac/纯 CPU 只能跑 LAM 模式）。官方未给统一显存门槛，也未公布各模式显存/并发基准；「lite 模式约 4G 显存可跑」出自第三方（53AI，2025-06）待证实。
• 成本与许可：框架 Apache-2.0，免费商用；已逐项核实的组件：lite-avatar 为 MIT，LAM/CosyVoice/SoulX-FlashHead 为 Apache-2.0，MuseTalk 代码为 MIT；未逐项核实的默认组件（如 SenseVoice 的模型权重）以各自模型卡许可为准，商用前逐一核对。框架本身无水印附加条款，是本方向许可最干净的基座（不等于整条依赖链均已核实）。
• 局限：Agent 模式 Beta、API 可能变动；部分预置模式依赖云端 API（百炼）；RTC 会话默认 connection_ttl 900 秒自动断开，长会话需改配置；LiteAvatar 不支持自定义形象。
• 社区：3,776 star，最近 push 2026-07-31。

2.1.2 LiveTalking（lipku，原 metahuman-stream）——直播带货事实标准

• 定位与能力：实时交互流式数字人引擎，wav2lip256/MuseTalk/Ultralight/ernerf 多模型流式驱动；上传视频经 /avatar.html 分钟级自动生成形象；支持声音克隆、说话打断、全身视频拼接、动作编排（空闲播自定义视频）。输出链路最全：WebRTC（aiortc——「亚秒级」为传输层口径、非端到端，全文无该方案端到端延迟基准）+ RTMP 推 B 站/YouTube + 虚拟摄像头。
• 性能基准（官方 README）：wav2lip256@RTX 3060 60FPS、@3080Ti 120FPS；MuseTalk@3080Ti 42FPS、@3090 45FPS、@4090 72FPS；实时标准为 inferfps 与 finalfps 均 ≥25。并发真相：官方口径「不说话路数取决于 CPU、说话路数取决于 GPU」；「wav2lip 750fps/30 路」仅为作者专栏理论值，用户实测单 4090 五路同说已卡顿（Issue #546），MuseTalk 并发降至个位数。「显存不随并发增长」说法来自第三方转述而非 README 原文（待证实）。
• 部署：Ubuntu 22.04 + Python 3.12 + PyTorch 2.9.1 + CUDA 12.8 验证；wav2lip256 从 3060 起步、MuseTalk 从 3080Ti 起步；有 AutoDL/UCloud Docker 镜像与 Windows 整合包；WebRTC 需开放 TCP:8010 与 UDP 端口。
• 许可：代码 Apache-2.0（LICENSE 原文核实），但 README「声明」章节附加要求：发布在 B 站、视频号、抖音等平台的视频需带 LiveTalking 水印和标识——该义务超出 Apache-2.0 文本（Apache-2.0 仅要求保留 NOTICE），无痕商用需与作者书面确认；性能加速/自适应动作/实时语音互动等增强能力（含 wav2lipls 模型）在付费商用版（livetalking.top，价格未公开）。用 wav2lip 路线还有第二重许可风险：Wav2Lip 模型严禁商用（见 2.7），商用必须切 museTalk/Ultralight 档。
• 社区：9,613 star / 1,527 fork / 236 open issues，最近 push 2026-09-13，v2.0.4（2026-06-20）；抽查最近 10 个 open issues 多数 0 回复，issue 响应一般。社区口碑槽点：wav2lip 清晰度低、MuseTalk 嘴唇颤抖、表情/微动作僵硬。

2.1.3 Duix.Avatar（原 HeyGem.ai，硅基智能）——离线口播克隆

• 定位与能力：完全离线的数字人克隆与口播视频合成工具：官方口径为提交约 10 秒视频完成形象+声音克隆（「1 秒视频/1 张照片克隆」的说法与官方 README 矛盾，为营销口径，已修正），输入文案或音频驱动生成口播视频；8 种语言脚本；ASR 基于 fun-asr、TTS/克隆基于 fish-speech，未集成 LLM（非对话产品）、无实时能力，输出为本地 REST API 异步合成（TTS :18180 → 合成 :8383 /easy/submit → /easy/query 轮询）；官方明示开源版效果为「可用级」，低于其商业 API。
• 部署：Windows 10 19042+/Ubuntu 22.04；Docker 三镜像约 70GB、磁盘 100GB+；推荐 i5-13400F/32GB/RTX 4070（无 NVIDIA 显卡无法启动）；社区有 8G 显存单镜像精简方案（B 站，非官方）。
• 许可（本次逐字核实 LICENSE 原文）：自定义「DUIX.COM Community License」——MAU>1,000 即须申请商业授权（官方单方决定是否授予）、分发须显著标注「Built with DUIX.COM」、用其材料训练的模型名须以 DUIX.COM 开头；README「全球免费商用（10 万用户/1000 万美元以上签协议）」与 LICENSE 的 1000 MAU 门槛相差 100 倍，口径不一致。另注意：GuijiAI/HeyGem.ai 与 duixcom/Duix.Avatar 两个仓库并存且均活跃（同属硅基智能体系、条款配置一致），「已 301 迁移」无官方声明，不宜写成迁移关系。
• 社区：15,585 star / 2,652 fork，但 push 停在 2026-04-21、422 个 open issues，维护转弱。

2.1.4 Duix-Mobile / DUIX（duix.ai）——端侧实时渲染

• 定位与能力：端侧（on-device）2D 真人级实时交互数字人 SDK：Android/iOS 原生接入，渲染在手机本地完成，不依赖云端 GPU；官方宣称端到端 <1.5s、端侧渲染响应 <120ms（骁龙 8 Gen 2 实测）；内置 4 个官方公开形象（Leo/Oliver/Sofia/Lily），2D 视频帧渲染+唇形同步，2025-07-17 版本起支持流式音频与打断（barge-in）；LLM/ASR/TTS 由开发者自选接入。适合客服/陪伴/车机/VR/IoT 移动端嵌入，是移动 App 内嵌实时数字人最省 GPU 的路线（弱网也可用）。
• 局限：定制私有形象需邮件官方、交 15 秒-2 分钟视频由闭源服务制作（克隆流程不透明）；公开形象仅 4 个；低端机延迟未公布。
• 许可与社区：同 DUIX.COM Community License（MAU>1,000 条款 +「Powered by Duix.com」署名）；8,255 star，最近 push 2026-08-05。

2.1.5 Linly-Talker（Kedreamix）——组合式万金油

ASR（Whisper/FunASR）+ LLM（Qwen/ChatGPT/Gemini）+ TTS（Edge/Paddle/CosyVoice）+ THG（SadTalker/Wav2Lip/ER-NeRF/MuseTalk）自由拼配，Gradio WebUI 一站式；单照片→SadTalker 生成、CosyVoice 3-10 秒零样本克隆；2026-02 发布 Linly-Talker-Stream（WebRTC 流式、全双工、可打断）补齐实时短板但成熟度弱于 LiveTalking。MIT（需叠加所引模型各自许可，如 Edge TTS 微软服务条款）。V100 可跑 MuseTalk 30fps、Qwen 1.8B 适合小显存；NeRF 依赖（pytorch3d）安装复杂。3,458 star，最近 push 2026-02-10，更新放缓——适合教学/原型，不建议作为生产底座。

2.1.6 CyberVerse（dsd2077 → Lynpoint）——Agent 路线新秀

「一张照片创建可视频通话的数字人」：Go(Pion) WebRTC（内置 TURN 8443/TCP）+ 人设记忆持久化 + 工具调用 + RAG + PersonaAgent/SubAgent 双 Agent，人设记忆+RAG+工具调用一体化是其独有卖点。渲染可本地（FlashHead 1.3B / LiveAct 18B）或云端（百度曦灵/讯飞/Vidu S1）。量化指标用 RTP（生成耗时/播放时长）：<1 才实时，官方示例日志 LiveAct ≈1.17、FlashHead ≈1.27——默认配置下均略超实时，需降分辨率或加卡；本地高画质路线硬件门槛极高：FlashHead Pro 推荐 RTX 5090×2（512×512@25fps）或 ×1（464×464@20fps），LiveAct 需 RTX PRO 6000。纯语音模式（avatar 关闭）无需 GPU。GPL-3.0（商用集成注意传染性；演示角色不随项目分发且不可商用）。项目很新：1,677 star / 207 commits / 仅 5 open issues，push 2026-09-11，稳定性待观察。

2.1.7 Fay（xszyou）——控制器/助理框架

不含形象渲染本体，负责把 ASR（FunASR）/LLM（OpenAI 兼容+DeepSeek）/TTS 与业务系统连通，驱动 2.5D/3D/网页/UE 数字人；全离线、全时流式、自动播报（虚拟教师/主播）、多用户多路并发、唤醒与打断、Agent 工具调用与仿生记忆、MCP、自定义知识库/问答对/人设；提供六类接口适配 UE5、Unity3D、Wav2Lip 及单片机/App/网站/大屏。GPL-3.0（作者声明「完全开源，商用免责」）。适合已有 3D/UE 形象资产、要接业务系统的带货与助理场景；渲染质量取决于所搭配的形象方案；README 无性能基准与硬件指引。13,549 star，push 2026-09-21，仍非常活跃；社区飞书教程有「24 小时不下播」实践。

2.1.8 VideoChat（Henry-23）——技术对照参考（已停更）

实时语音交互数字人双路线对照实现：级联（FunASR→Qwen→TTS→MuseTalk）约 8G 显存、首包约 3 秒（A100）；端到端（GLM-4-Voice→MuseTalk）约 20G 显存、首包约 7 秒（A100）——是理解「级联 vs 端到端」延迟与显存代价的最佳参考实现。MIT。输出仅 Gradio 视频流（无 WebRTC/RTMP），无打断/推流等工程化能力；1,313 star，最近 push 2025-12-18，约 9 个月无提交，权重需手动配齐否则报错——只适合学习，不可用于生产。

2.1.9 SoulX-FlashHead（Soul-AILab，补充发现）——新一代驱动模型

Soul App 开源的 1.3B 统一框架，高保真、无限时长、实时流式说话头生成，已接入 OpenAvatarChat 与 CyberVerse。官方数据：Model_Lite 单张 RTX 4090 达 96 FPS，或 3 路并发实时（25+ FPS）流式；Model_Pro 单张 4090 仅 10.8 FPS，实时需两张 RTX 5090——高保真与实时不可兼得的量化注脚。Apache-2.0，权重在 HuggingFace（Soul-AILab/SoulX-FlashHead-1_3B），2026-03-09 上线在线 Demo。1,086 star，push 2026-05-28。对微表情/口型自然度有要求的实时场景的升级选项（但 Lite 并发 3 路仍偏少）。

2.1.10 方向小结

• 工程选型速配：直播带货→LiveTalking；网页客服→OpenAvatarChat（需 RAG/人设记忆→CyberVerse）；App 内陪伴→Duix-Mobile；批量口播→Duix.Avatar；已有 UE/3D 形象→Fay；技术预研→VideoChat。
• 单卡 4090 并发量级的可信结论：「1-3 路高质量并发」（MuseTalk 72FPS≈2 路、FlashHead Lite 96FPS≈3 路）；宣传的两位数并发只在最低画质 wav2lip 下接近理论成立，且 wav2lip 禁商用——生产部署按每路一张中端卡或降分辨率规划。
• 形象克隆门槛分层：2D 口播最轻（Duix.Avatar 10 秒视频本地训练）；照片级入门（LAM/CyberVerse 单张照片出实时头像）；LiveTalking 免预训练换形象（上传视频分钟级生成）；端侧 DUIX 定制形象反而不开源；NeRF 系已趋边缘。音色克隆普遍 3-10 秒音频零样本（CosyVoice 系）即可。

2.2 方向二：开源数字人视频生成（大模型时代：短视频口播/动作生成）

三条技术主线：①大基座图+音频直出（Wan2.2-S2V、HunyuanVideo-Avatar、SkyReels 系）——画质与动作自然度最强但 14B+ 级显存门槛高；②Wan 基座加专用条件权重的对话/长时方案（MultiTalk/InfiniteTalk/LongCat、Hallo、EchoMimic、LiveAvatar 实时流式）；③口型替换/音视频联合生成（LatentSync、LTX-2）。许可证是最大暗坑。

2.2.1 Wan2.2-S2V-14B（阿里通义万相）——中文口播主力基座

• 单图+音频直出说话/唱歌/表演视频，480P/720P，时长随音频自适应（分钟级，1 分钟以上需分块拼接——官方 ComfyUI 模板 77 帧/块@16fps≈4.8 秒/块，色偏与一致性有风险）；支持姿势视频驱动（—pose_video）、官方 —enable_tts 直接挂 CosyVoice；中文演示原生支持。
• 许可（核实确认）：权重 Apache 2.0 可自由商用，生成内容归用户；HuggingFace 模型卡标签 license:apache-2.0、gated:false。
• 显存与耗时：官方 README 明确 14B 系列单卡需至少 80GB 显存（TI2V-5B 才是 24GB 级、可跑 720P）；ComfyUI 2025-08-29 原生支持（fp8 模板）；社区在 RTX 4090 上 480P 生成 10 秒约 15-30 分钟（fp8+SageAttention，二手社区数据、非官方基准），720P 明显更慢且易 OOM。
• 云 API 对照：阿里云百炼同款 wan2.2-s2v 按 480P 0.5 元/秒、720P 0.9 元/秒计费（2025-09 从 0.3 上调至 0.5，官方调价公告确认）——1 分钟 480P 约 30 元。

2.2.2 HunyuanVideo-Avatar（腾讯混元）——动作/情绪/多人上限，许可受限

MM-DiT 音频驱动人体动画：单图+音频，写实/卡通/3D 渲染多风格，肖像/半身/全身任意分辨率；Audio Emotion Module 从情绪参考图迁移表情；Face-Aware Audio Adapter 用潜空间面部掩码实现多人各自对口型（开源少数原生多人方案）；支持唱歌。论文 arXiv:2505.20156。官方最低 24GB 显存可跑 704×768×129 帧（约 5 秒）但「非常慢」，推荐 96GB；社区 Wan2GP 可压到单卡 10GB（TeaCache，无损画质）。许可（LICENSE 原文逐条核实，confirmed）：腾讯混元社区许可——①地域排除欧盟/英国/韩国；②全部产品月活超 1 亿须向腾讯单独申请授权（腾讯可自行决定）；③禁止用其输出或结果改进任何其他 AI 模型（含蒸馏、合成数据训练）；④分发须附 Notice 文件；⑤香港法管辖。月活 1 亿以下可免费商用。适合需要强动作表现力/情绪控制/多人对话的中大型团队，出海欧盟/英国产品有硬约束。

2.2.3 EchoMimicV2（蚂蚁集团）——半身手势预算方案

音频+姿态驱动半身数字人（CVPR 2025），16G 显存起步（官方测试 A100 80G/4090D 24G/V100 16G）；原始推理约 7 分钟/120 帧（A100），2025-01 加速版提升 9 倍至约 50 秒/120 帧。GitHub 仓库为标准 Apache-2.0（已核验原文）；但 HuggingFace 权重页无 license 标签，商用前需核对上游权重条款。局限：2024 年底 UNet+运动模块架构，画质与长时稳定性已被 2025 年 14B 大基座超越，社区反馈中文口型贴合一般——适合 16-24G 显存、预算有限的半身+手势口播。

2.2.4 LatentSync 1.5/1.6（字节跳动）——口型修正后处理

音频条件潜空间扩散 lip-sync：不生成新人物，把已有视频口型替换成目标音频（常用于给 Wan 系生成视频精修口型、译制配音）。Whisper 音频嵌入 cross-attention + SyncNet 损失（预训练 SyncNet 在 VoxCeleb2/HDTF 上 94% 准确率）；v1.5 加时间层并提升中文视频表现；v1.6 升级 512×512 缓解模糊（推理显存升至 18GB，1.5 版约 8GB；训练 20GB 适配 RTX 3090）；20-50 步采样，25fps。Apache-2.0 可商用。局限：不生成肢体动作、长视频需分段、非实时。

2.2.5 美团系三连：MultiTalk → InfiniteTalk → LongCat-Video-Avatar 1.5

• MultiTalk（NeurIPS 2025）：基于 Wan2.1-I2V-14B，L-RoPE 标签旋转位置编码解决多路音频与人物绑定——开源多人同框对话代表；单段最长 15 秒（训练 81 帧@25fps、最多 201 帧）；480P/720P；--num_persistent_param_in_dit 0 极低显存模式单张 4090 可跑 480P（社区 Wan2GP 称 8GB 可运行），720P 需多卡。Apache-2.0。
• InfiniteTalk（2025-08）：I2V（图+音频）与 V2V（视频配音）双模式，口型精度优于 MultiTalk、手/身畸变更少、V2V 可无限长；官方提示 I2V 单图超 1 分钟色偏明显（可用图转慢速视频技巧规避），Audio CFG 3-5 影响口型同步。HF 权重标签 Apache-2.0。
• LongCat-Video-Avatar 1.5（2026-05-21）：Wav2Vec2 换 Whisper-Large 提升口型同步、8 步蒸馏加速，泛化到动漫/动物/复杂实拍，支持音频-文本到视频与视频续写（arXiv:2512.01340 系 v1）。权重标签 MIT（HF API 核验）。代表开源长时数字人当前最高水位。

2.2.6 LTX-2 / LTX-2.5（Lightricks）——音视频联合生成

首个 DiT 音视频联合生成基础模型：单模型同步生成视频+音频，A2Vid 音频转视频、DubIt 配音换语保持说话人身份与口型、HDR/4K（最高 3840×2176）、distilled 版 8 步、Duration Head 预测时长；LTX-2 首发开放权重 19B（HF safetensors 总参数 18,876,174,592≈19B，核实确认），最新推荐 LTX-2.5 为 22B；完整权重约 66GiB，fp8 量化+offload 后社区称中端卡 16GB 级起步（二手）。ComfyUI 官方内置节点、diffusers 官方 LTX2Pipeline。许可（LICENSE 原文核实）：LTX-2 Community License（2026-01-05）与 LTX-2.x Community License（2026-08-11）均规定年收入 ≥1000 万美元的实体必须购买付费商业许可（ltxv-licensing@lightricks.com）；「违约补缴两倍许可费（liquidated damages）」仅 2026-01-05 旧版有明文，2026-08-11 新版改为补缴标准商业费率+追究其他法律救济；LTX-2.5 条款进一步收紧。gated 状态已核实修正：LTX-2/LTX-2.3/LTX-2.3-fp8 实测 gated:false（任何人可直接下载），仅最新 LTX-2.5 为 gated:“auto”——「LTX-2 权重 gated」的原论断不成立。定位注意：它不是照片数字人专用模型，口播需走 A2Vid/DubIt 管线，人物一致性与口型精度不如专用方案。

2.2.7 SkyReels-A3（昆仑万维）——「伪开源」典型样本（已核实）

2025-08-11 官宣「发布并开源」，但经 GitHub 组织仓库列表、HuggingFace 与 ModelScope API 核验（confirmed）：无代码仓库、无公开权重，项目页论文标注 To be Released、demo 仅指向商用站 skyreels.ai，项目主页现返回 404。实际不可本地部署，选型时应归入闭源在线产品，且在线价格无官方公开页面。昆仑系目前唯一开源可部署的音频驱动相关模型是 SkyReels-V3-A2V-19B（2026-01-28 上传 HF，license 标签为 other，需自行审阅条款）。

2.2.8 Hallo2 / Hallo3（复旦大学）——学术级长时+4K

Hallo2（ICLR 2025）：源图+音频，CodeFormer 改版+RealESRGAN 4 倍超分到 4K，官方展示 4K 23 分钟/18 分钟/1 小时案例；Hallo3：CogVideoX-5b-i2v 微调（70 小时说话视频+50 小时动态场景），动态背景与更夸张表情。两者驱动音频均要求英文 WAV（训练数据仅英文，中文场景必须先译制换声源）；测试平台 A100/H100，无官方消费级部署路径。许可三层叠加：仓库 MIT + Hallo2 超分组件 CodeFormer 改版受 S-Lab License 1.0（非商用友好）+ Hallo3 须遵守 CogVideoX 权重许可——商用前需同时核查三个许可。

2.2.9 LiveAvatar（阿里夸克 + 中科大）——「开源实时」的上限证明

算法-系统协同设计实时数字人框架：Wan2.2-S2V-14B + LoRA 蒸馏到 4 步采样 + TPP 流水线并行。5 张 80GB 卡（H800）实现 45 FPS 实时流式、10,000+ 秒不退化长流；v1.1 编译/FP8/cudnn attention 后峰值约 2.5 倍；FP8 量化后单卡门槛降至 48GB（轻微画质损失）——注意：即便 FP8 后，24G 消费卡连离线跑 LiveAvatar 本身都不够（README 最低口径：标准单卡 80GB 离线、FP8 后 48GB）；「24G 消费级显卡只能做离线生成」就开源生态泛指成立（如 Wan2.2-TI2V-5B 官方支持 4090 24G 离线）。Apache-2.0，定位 research preview，ECCV 2026 Spotlight。

2.2.10 方向小结

• 24G 消费卡可行性分层：LatentSync 1.6（18GB）与 EchoMimicV2（16G 起）最易跑；Wan2.2-S2V/MultiTalk/InfiniteTalk 靠 fp8 在 4090 跑 480P（10 秒视频数十分钟量级）；HunyuanVideo-Avatar 官方 24GB「能跑且很慢」；LTX-2/2.5 与 LiveAvatar 超出消费级。
• 许可无忧商用清单（全部经原文核验）：Wan2.2-S2V、LatentSync、MultiTalk/InfiniteTalk、LiveAvatar、EchoMimicV2（权重页无标签需留意）均为 Apache-2.0；LongCat-Video-Avatar 1.5 为 MIT。设门槛的：HunyuanVideo-Avatar（地域/月活/蒸馏三限制）、LTX-2（年营收 $10M 付费墙）、Hallo 系（组件许可叠加）。
• 中文口型精度专项量化横评未查到公开报告（仅 LatentSync v1.5「提升中文视频表现」与 InfiniteTalk 的 Audio CFG 调参建议两条官方线索）——中文口播选型前应自建测试集实测。
• 与闭源差距：字节 OmniHuman 官方明确「不提供任何服务或下载」，OmniHuman-1.5 只能经即梦在线使用（积分制定价约 5 元/条 15 秒、2026 年初曾一月三连涨，价格波动大）；开源在全身大幅动作、一次成片成功率、长时一致性上仍落后一代，但半身口播可用性已接近生产级。

2.3 方向三：国际商业 SaaS（视频生成型：企业培训/营销短视频）

覆盖 HeyGen、Synthesia、D-ID、Colossyan、Captions、Hedra、Vidnoz 七家。核心事实：①2026 年主流平台全面转向 credits 计费，比价必须按「模型×时长」折算；②企业合规（SOC 2 Type II、GDPR、SSO）成头部标配但仅限高档位；③七家均为纯海外云端 SaaS，无一家公开在售私有化，国内用户面临网络访问与国际卡支付双重门槛，仅 Vidnoz 提供繁中站。

2.3.1 HeyGen——多语言营销与 API 批量首选

Avatar IV（2025-05 起主力，单照片+音频驱动全身口播、带手势）为当前照片数字人成熟度标杆，官网已出现 Avatar V 论文与 API（第三方称 API 输出 $0.05/秒，未在官网直接核实——待证实）。500+ 库内 Avatar、Photo Avatar、Custom Video Avatar（Free 1 个/Business 5 个）、175+ 语言 TTS 与口型同步翻译、Voice Cloning；腾讯云社区实测中文口型自然、可配肢体动作。REST API + n8n/Make/Zapier 集成，视频翻译约 2-5 credits/分钟（第三方援引）。 定价（档位经官网/多来源证实，费率按官方帮助中心修正）：Free $0（3 视频/月、≤1 分钟、720P 水印）；Creator $29/月（年付 $24/月）600 credits、1080P 去水印、无限 Photo Avatar；Pro $49/月起 1,000 credits、4K（credits 包阶梯至 100,000 credits/$4,300）；Business $149/月+$20/席 1,500 credits、视频≤60 分钟、SAML SSO、SCORM 导出、LMS 集成、Interactive Video；Enterprise 定制。Avatar IV 官方费率：Photo Look 16 credits/分钟、Video Look 31 credits/分钟（帮助中心 2026-09-09 更新原文；「20 credits/分钟」为第三方旧转述，已被官方来源驳斥）——600 credits ≈ 19-38 分钟视频。credits 月订阅滚存 1 个月，年订阅累积至续期。企业功能门槛 $149/月起；国内需代理访问+国际信用卡（明确限制国内 IP 注册，代理节点易触发风控）。

2.3.2 Synthesia——企业培训/L&D 事实标准

240+ 库内 Avatar、160+ 语言 AI 配音（含中文，第三方评测称中文有翻译腔、自然度弱于英文）、1-Click 翻译（常引 140+ 语言）、Roleplay 交互演练（10-25 次/月）、同屏多 Avatar Dialogue；Personal Avatar 克隆 Starter 3 个/Creator 5 个/Enterprise 无限；高保真 Studio Express-1 形象为 $1,000/年付费附加项（处理≤10 天）。定价（官网 2026-09-26 核实，confirmed）：免费档（现名 Basic）$0 = 1,200 credits/月 ≈ 10 分钟/月，Synthesia 标志不可移除；Starter $29/月（年付 $18/月）120 分钟/年、去标志；Creator $89/月（年付 $64/月）360 分钟/年、5 个 Personal Avatar、含 API；Enterprise 定制（无限分钟、SAML SSO、SCORM、SCIM、审计日志、专属 CSM）——SAML SSO 为 Enterprise 专享；分钟数不滚存（官网 FAQ 原文）。合规最全：SOC 2 Type II、ISO 27001/27701/42001、GDPR、EU 数据驻留（AWS 爱尔兰）可选。局限：分钟按年配额偏贵（约 $2.1/分钟）、自选档无 SCORM、无私有化。

2.3.3 D-ID——最低入门价 + 实时 Agents

照片驱动口播（Talking Photo）起家；Express Avatars 需约 1 分钟真人视频训练（2024-10-31 官方新闻稿，Premium+ 加手/躯干动作）；实时流式 Avatar（Agents）与低价 API 入门是差异化。计费（官网/帮助文档核实，confirmed）：1 credit ≈ 15 秒离线视频或 30 秒流式（流式半价），视频时长按 15 秒向上取整（40 秒视频按规则计 3 credits）；Lite 约 $5.9/月（年付）为七家最低入门价、带水印；Build $18/月（年付 $14.4/月）64 credits ≈ 16 分钟离线视频；Launch 约 $50/月、Scale 约 $198/月；API 另有 14 天免费 Trial；分钟每月重置不累积。TTS 120+ 语言（含中文，无官方中文口型实测背书）。局限：表情幅度与长视频真实感不及 HeyGen Avatar IV。

2.3.4 Colossyan——文档转培训视频，档位已改版（按 2026-09 官网修正）

PPT/PDF/Word 自动分镜转培训视频、测验与分支互动、SCORM 直连 LMS；170-300+ NEO 系列 Stock Avatar、Instant Avatar、70+ 语言。定价（2026-09-26 官网改版后口径，旧版「Starter $27/Business $70 无限分钟」已不成立，refuted 后修正）：Starter 免费；Professional $59/月（年付）= 30 分钟/月 NEO + 10 分钟/月 NEO2（非无限），含 SCORM 导出（另有 5 次/月流式 SCORM）；Enterprise 定制 = 无限分钟、无限 SCORM、Custom SSO/SAML、数据驻留、专属 CSM。SOC 2 Type II 与 GDPR 属实（官网可申请含 SOC 2 报告的安全资料包）。适合把现有 PPT 课件批量转互动培训视频并接 LMS 的企业；品牌生态小于 Synthesia。

2.3.5 Captions——创作者 UGC 风格

逐词动态字幕（Whisper 100+ 语言）、AI 翻译配音 29+ 语言口型同步（Lipdub）、AI Creator 数字分身、2025 年自研 Mirage 模型走 AI 演员/UGC 广告路线。定价（仅 iOS 口径）：Max $24.99/月 500 credits；Frontier $69.99/月 1,400 credits；Frontier 2x/4x $139.99/$279.99（2,800/5,600 credits）；credits 可滚存最多 3 倍月度额度。非企业培训定位（无 SCORM/SSO 公开档）、无公开 API、水印与商用权限未明示。

2.3.6 Hedra——角色级表演差异化

Character-3 模型：单图+音频生成会说话/唱歌、带表情与全身动作的角色视频（人/物/卡通），a16z 领投 $32M A 轮，官网称 2,000 万用户。定价自 $15/月起（官网 meta 确认）：Basic $15/月 1,500 credits ≈ 4 分钟；Creator $30/月 5,400 credits；Professional $75/月 14,400 credits；商用权限口径第三方说法不一。Character-3 端点面向企业/开发者。局限：企业培训功能（SCORM/SSO）缺失、长视频需拆分。

2.3.7 Vidnoz——最低价中文友好入门（按官网修正 credits）

1,800-1,900+ 库内 Avatar、3,200+ 模板、890-2,660+ 音色、100+ 语言 TTS（第三方评测：中文可用、AI 脚本偏套路化），有繁体中文站与台湾代理，是七家中对中文用户最友好的入门方案。定价（官网对比表核实修正）：免费档每日发放 credits（第三方口径 30 credits/天 ≈ 60 秒/天）+ 单视频上限 3 分钟、720P、带水印（七家中唯一按日发免费额度）；Starter 450 credits/月、Business 900 credits/月（官网对比表口径；按额度 $2/credit、首月 75 折；金额动态渲染，官网 meta 自述付费档低至 $14.99/月）；计费示例视频生成 0.5 credit/秒（另有 Expressive/Product Avatar 2 credits/s），官方未给出 credit→分钟总换算；1080P 无水印自付费档起；Business 档含 SAML/SSO、品牌套件、1,000 席位；Enterprise 宣称专属数据中心（最接近隔离托管，非标准私有化）；Avatar Pro $299/年、Voice Clone $9.99/月；credits 不滚存；支付仅 Visa/Mastercard/AmEx/Discover/JCB，未查到支付宝。

2.3.8 方向小结：10 分钟培训课单节成本测算（按官方定价与核实后费率）

结论：Colossyan/Synthesia 适合稳定小批量培训；HeyGen 的 Photo Look 在订阅档内折算单价最低但 600 credits 产能小、放量必须升级档位；按修正后折算，腾讯智影约 19.4 元/节为表中最低单价（「国内成本整体更低」成立——注意 698 元/年本身为第三方口径待证实），但国内 Avatar 真实度与多语言/合规能力弱于国际头部。 所有比价以当日官网为准（本年度已多次改版）。

2.4 方向四：国际实时对话 Avatar API（开发者向：客服/陪伴/虚拟前台）

五家分两档：开发者自助 API（Tavus、Anam、Simli——分钟/按秒计费、有免费档、支持自带 LLM/TTS）与企业报价制平台（Soul Machines、UneeQ）。技术上 Tavus/Anam/Simli 均为 WebRTC 视频流方案，Soul Machines 走实时 CGI 渲染。五家均未查到中国大陆区域部署或国内合规声明（待证实——否定性结论无法穷尽验证；且 UneeQ 官网明确支持 on-premise 部署，不受「海外节点」约束）。

2.4.1 Tavus（CVI）——工程完成度最高的自助方案

• 能力：端到端对话式视频数字人 API，Full/Echo/LiveKit/Pipecat 四种管线模式（官方文档原文证实）；Echo/LiveKit/Pipecat 模式下开发者完全自管 STT/LLM/TTS（LiveKit 集成页代码注释「Add STT, LLM, TTS…」）；原生 barge-in（默认开启）、end-of-turn 轮次检测、倾听态自然空闲动作；WebRTC 传输（底层 Daily 基础设施），移动端有 iOS/Android/RN SDK。
• 延迟（核实修正）：官方文档无任何量化延迟指标；「1.4 秒」出自竞品 Anam 基准页对 Tavus 的独立测量（会话建立环节），Tavus 自家营销口径为亚秒级（Phoenix-4 sub-600ms，第三方转述）——选型前按「用户说完→对方开口」口径自测。
• 定价（官网核实）：Free $0（约 20-25 分钟 CVI + 5 分钟视频生成，25 个 stock replicas）；Starter $22/月 60 分钟 1 并发；Builder $59/月 175 分钟 3 并发；Growth $397/月 1,300 分钟 10 并发；Business $975/月 4,000 分钟 15 并发；超额 $0.26-0.37/分钟递减；每次会话 30 秒最低消费、按最近 6 秒取整（FAQ 原文）；录像 $0.03/分钟；自定义 Replica 训练 $40-65/个。30 秒最低消费使高频短会话成本明显抬升（同等分钟数约为 Anam 的 2-3 倍）。
• 局限：中文/亚洲面孔素材与中文口型质量官方文档无说明（stock faces 页未列族群明细）；无国内区域部署声明（待证实）。

2.4.2 Anam——计费最透明、门槛最低

• 能力：CARA-4 实时模型，官方宣称平均响应延迟 180ms（营销口径，引 Avatar Benchmark 2026，第三方独立复测未查到）；任意 LLM（GPT-4o/Claude/Mistral/自有）+ 70+ 语言、可上传自有语音；image-to-avatar 上传自有图片生成形象（含亚洲风格）；宣称 HIPAA/SOC 2、多区域部署、模型版本锁定。
• 定价（官网逐项核实，confirmed）：六档——Free $0（30 分钟/月、1 并发、单次会话 3 分钟上限）；Starter $12/月 50 分钟（超额 $0.16/分钟）；Explorer $49/月 250 分钟（$0.14、3 并发、单次 10 分钟）；Growth $299/月 2,000 分钟（$0.12、5 并发、单次 2 小时、去水印）；Professional $999/月 8,000 分钟（$0.11、10 并发）；Enterprise 约 $0.04/分钟起、100 至无限并发、单次会话无限制、零数据保留、SLA。按秒计费、分钟不结转——高频短会话成本结构最友好。
• 接入：JS/Python SDK + LiveKit（Python/Node）与 Pipecat 官方集成。

2.4.3 Simli——语音 Agent 栈的「人脸层」

只做音频→视频人脸流（STV <300ms，官方口径），STT/LLM/TTS 全部开发者自备——接 GPT-4o Realtime 或豆包端到端语音的音频输出直接驱动是最短路径；官方「Latency sandwich」给出全链参考：STT 100-500ms + LLM 250-450ms + TTS 250-1200ms + Simli <300ms。21 个预设 face（含 Tina，图片文件名 asian_woman.png——预设库明确含亚洲面孔）。注册赠 $10 + 免费套餐每月 50 分钟；官网 /pricing 返回 404，具体付费档位价格未公开。局限：无端到端管线、自定义人脸上传能力未查到明确说明、价格不透明。

2.4.4 Soul Machines 与 UneeQ——企业报价制平台

• Soul Machines（核实修正）：实时 CGI 渲染 3D 数字人（Autonomous Animation/Digital DNA，区别于视频流方案）；并非完全不公开定价——Studio 有公开档位（官网实抓）：Free $0、Basic（480 分钟/1 个 AI Assistant）、Plus $1,069/年（4,200 分钟/5 个 Assistant）、Pro $29,160/年（120,000 分钟）、Pro + Premium Integrations $34,160/年，14 天免费试用；企业侧 Digital Workforce/Workforce Connect（嵌入 Salesforce/ServiceNow/Zapier）仍为销售报价制。适合预算充足的大型企业做品牌数字大使。
• UneeQ（现 digitalhumans.com，301 重定向实测证实）：Digital Human OS Gen2 + Synanim 行为引擎，官网宣称亚秒级响应、支持云端与 on-premise 部署、SOC 2 与 GDPR 合规；无公开定价、demo 预约制；公开案例：卡塔尔航空 Sama、Deutsche Telekom、Pearson。战略重心已偏向沉浸式培训平台，纯对话 API 投入度存疑。

2.4.5 方向小结

• 计费结构直接决定总成本：短会话高频场景选 Anam（按秒、无最低消费）；Tavus 的 30 秒最低消费+6 秒取整适合中长会话；Simli 适合已有完整语音管线只缺「脸」的团队。
• 延迟数字不可直接横比：仅 Simli 的 <300ms 有明确环节边界（仅音→视）；Tavus 官方无量化指标；Anam 180ms 与 UneeQ sub-1s 均为营销口径。统一按「用户说完→对方开口」实测后再签。
• 中文/亚洲面孔是普遍短板：仅 Simli 预设库明确含亚洲面孔、Anam 支持 image-to-avatar 自建；五家中文口型质量均无第三方实测，中文场景必须 PoC。
• 国内接入：五家均无中国区域部署声明（待证实），视频流走海外 WebRTC 节点；唯一可行的国内 RTC 对接路径是自托管 LiveKit（Tavus 参与者模式、Anam/Simli 均有官方 LiveKit 集成），但渲染仍在海外云端，国内网络下端到端延迟会显著高于官方数字。
• 同档玩家补充：D-ID 的实时产品线（Agents，见 2.3.3）与 HeyGen 的 Interactive Video（Business 档，见 2.3.1）属同档可选但本方向未做横评；Inworld、小冰等其他玩家本轮未调研——待补调，上述缺席不构成「不存在更优选项」的结论。
• 企业采购必查清单（各定价页均未公开覆盖，必须在合同层确认）：①客户数据是否用于训练、保留期限与删除机制（本报告调研范围内仅 Anam Enterprise 明示「零数据保留」、Synthesia 提供 EU 数据驻留选项，其余厂商政策未查到）；②SLA 与赔偿条款；③并发上限与批量生成队列吞吐；④超额计费、最低消费与取整规则。

2.5 方向五：国内云厂商与企业级平台（API/私有化：政企金融、大客户）

三条技术路线：①实时交互型（火山 veRTC+豆包、腾讯数智人、百度曦灵、讯飞、华为 MetaStudio）——按 tokens/并发路/天计费，官方宣称延迟 1 秒级；②视频生成型（阿里百炼 wan2.2-s2v/EMO、火山 OmniHuman）——按秒 0.08~1 元，其中 wan2.2-s2v 同款模型已 Apache 2.0 开源（核实确认）；③电商直播型（阿里数字人直播 29999 元/年仅限淘宝、京东言犀绑定京东直播）。价格公开的是公有云 API；私有化与 3D 高保真定制几乎全部转商务询价；华为云已官宣停售 3D 数字人全线产品，成为选型硬约束。

2.5.1 火山引擎（veRTC ConversationalAI + 豆包端到端语音 + OmniHuman）

• 实时交互（计费文档逐行核实，confirmed）：AI 音视频互动方案统一 12 元/百万 tokens（RTC + 公共 ASR/TTS + 公共方舟模型打包，按月结算；自开模型独立计费不折算），首次开通赠 1000 万 tokens（官方称约 10 小时互动，1 个月有效）；资源包 1 亿 tokens 1,140 元、10 亿 10,800 元（9 折）、20 亿 20,400 元（85 折）。官方宣称延时低至 1 秒、95% 屏蔽干扰噪声、90% 屏蔽误插话（帧级 VAD+语义打断）。开放度最高：可接第三方 LLM/TTS/ASR（独立计费，StartVoiceChat API 含 ThirdPartyLLMConfig/ASRConfig 章节）、方舟知识库 RAG（标准版 0.0416 元/知识库/小时）、MCP/Function Calling、扣子 Agent、Viking 记忆库、声纹识别、实时字幕、情绪指令。
• 豆包端到端实时语音大模型（计费文档核实）：输入文本 10 元/百万、输入音频 80 元/百万（cached 5 元）、输出文本 80 元/百万、输出音频 300 元/百万；输入 1 秒≈6.25 token、输出 1 秒≈25 token；QPM 60/TPM 10 万；2026-06 升级 3.0 版 Seeduplex 原生全双工。声音复刻：音色槽位 138 元/个起（阶梯至 28 元，含 15 次训练）；大模型精品复刻音色标准版 3 万元/音色、专业版 8 万元/音色（不支持线上自动化交付）；并发增购 100 元/并发/月。
• 视频生成（智能视觉服务）：OmniHuman 1 元/秒（并发限 1、音频建议 <15 秒）；单图音频驱动形象创建 0.1 元 + 0.3 元/秒（普通模式嘴部驱动最长 180 秒、灵动模式 Loopy 全脸 512×512、大画幅半身最长 45 秒）。
• 适配：抖音生态原生（即梦/OmniHuman 同源）；私有化/专属云交付门槛与报价未查到公开信息。

2.5.2 阿里云（百炼 + 虚拟数字人开放平台 + 数字人直播）

• 百炼生成式 API（官方文档核实，confirmed）：wan2.2-s2v 480P 0.5 元/秒、720P 0.9 元/秒（RPM 300；2025-09 起 480P 从 0.3 上调至 0.5）；EMO（emo-v1）1:1 画幅 0.08 元/秒、3:4 画幅 0.16 元/秒——EMO 与 s2v 同产 1 分钟视频价差 6 倍以上，先确认画幅与写实度需求再选模型。
• 虚拟数字人开放平台：3D 数字人流媒体 5,749 元/路/月（预付费）或 0.60 元/路/分钟（按量停复机）；数字人视频合成 9.9 元/分钟；2D 真人形象定制 6,999 元/形象/年（上传 5-10 分钟视频，算法训练最长 10 个工作日+人工审核，确认后扣费不支持退款）；OpenAPI/9 语言 SDK（Create2dAvatar/SendText 等可对接自有对话引擎）。
• 数字人直播：29,999 元/年（含公共形象/TTS/LLM/驱动，不含定制）；官方文档明示**「目前数字人服务仅支持淘宝直播平台的对接」**。

2.5.3 腾讯云（智能数智人 + 腾讯智影）

2D 精品/2D 小样本/3D 写实/3D 半写实/3D 卡通五类形象，apaas 接口+SDK；2D 精品支持文本指定位置插入动作（语义级动作匹配）、素材门槛宣称降至 5 秒（形象定制门槛降低 90%）、2D 小样本 3 分钟视频训练；混元大模型+NLP 底座、端云混合渲染。价格：交互数智人特惠体验包 140 元/天（2D 精品、1 并发，约 5.9 元/小时）；播报视频生成小时包 1,200 元/小时（20 元/分钟、2D 小样本、限购 1 次）；完整体系为形象采购（必选）+播报+交互三组合、线下收费（官方 FAQ 明确）。智影 SaaS：照片定制约 3,999 元、视频定制约 7,999 元（第三方引用用户反馈——待证实）。标杆：央视频 3D 手语数智人「聆语」、国博「艾雯雯」、中信建投开户。局限：单价偏高、实时交互延迟无公开毫秒数、无直播带货生态绑定。

2.5.4 百度智能云曦灵 →「百度一镜」

全栈平台：文生 3D 数字人、2D 超拟真定制、照片秒级生成（照片数字人定制 20 元/次官方价、3D 超写实 199 元促销价——2024-09 从万元级降至百元级）；手语数字人（央视新闻 AI 手语主播同源，官方文章称端到端延迟 300ms 以内）；视频翻译 100+ 国家地区语言；官网明示支持私有化（报价商务询价）。金融标杆最多（浦发「国内首个金融数字员工」、中信金控「小信」、交行「姣姣」）。直播带货线见 2.6.6 慧播星。局限：公开 API 计费颗粒度比火山/阿里粗、交互延迟多为营销口径。

2.5.5 讯飞（虚拟人交互平台 + 讯飞智作）

语音技术底座：真人数字分身（5 分钟录制视频）、声音复刻（5 分钟音频）、3D 定制（DIY 捏脸+换装）；四种接入（终端 SDK/服务端 API/公有云 API/私有化）；智能交互机硬件一体机形态；星火大模型多模态交互、知识库定制。官方未公开价目，全部商务询价（4000-199-199），第三方评测称定制收费门槛较高。适合金融/政务/文旅/媒体需语音深度定制与私有化交付的机构；透明度最低。

2.5.6 华为云 MetaStudio——3D 已停售（官方公告核实，confirmed）

自 2025-02-18 起正式停售 3D 数字人相关全部产品及「分身数字人视频直播企业套餐包」，产品线收缩为 2D 分身（Flexus 版 + 标准版，资源独立计费）。Flexus：一次定制产出 1 形象+1 声音，第三方称千元级起步、最快 7 天交付（待证实）；声音合成基础版 200 元/百万字符、专业版 800 元/百万字符；新用户 19.9 元「60 分钟视频制作体验包」；照片数字人/数字人名片需企业用户工单开通。高保真 3D 需求在华为云无处落地；直播企业套餐包同步停售。 适合政企线下大屏/展厅与需要算法备案审计链路的机构。

2.5.7 京东言犀——电商语境最强

大姿态数字人驱动「采销东哥」现象级直播：2024-04 首播 40 分钟观看 1,275 万、1 小时超 2,000 万、成交额超 5,000 万元；2024 年 618 覆盖 5,000+ 品牌直播间、累计直播超 40 万小时；2025 年 618 达 1.7 万数字人上岗、服务安踏/荣耀/格力等 9,000+ 商家；宣称数字人直播成本约为真人的 1/10。无公开报价（商务 400-623-0183）；行业参考：公模数字人已降至 1 万元以下、定制 2-8 万元（新浪财经 2024-07）。与京东直播强绑定，出京东生态的通用 API/私有化能力弱于火山/阿里。

2.5.8 商汤如影 SenseAvatar

高保真形象定制（约 5 分钟视频+10 分钟音频克隆）、2 分钟合成高质量视频、7×24 直播与智能互动运营（官方称运营效率提升 7 倍——营销口径）；参与首个数字人国标制定（口型驱动准确率≥90%、手势交互成功率≥80% 等指标要求）、数字水印编码嵌入——内容可信与合规背书是核心卖点。无公开定价，面向银行/政府/国企项目制（400-900-5986）。

2.5.9 方向小结

• API 计费方式差异巨大，比价先统一量纲：实时交互按打包 tokens（火山 12 元/百万）或按天/并发路（腾讯 140 元/天、阿里 3D 5,749 元/路/月）；视频生成按秒（EMO 0.08 → s2v 0.5 → OmniHuman 1 元/秒）；声音克隆按音色槽位（138 元/个 → 精品 3-8 万元/音色）。
• 形象资产锁定是隐性迁移成本：阿里按年授权不可退款、华为资产独立计费、各平台定制形象绑定各自平台——换厂商通常需重新定制形象与声音。
• 实时延迟只有火山给出官方口径（宣称低至 1 秒；百度手语 300ms 以内为官方文章口径）；腾讯/华为/讯飞未公布毫秒级指标——选型应要求 POC 实测而非采信营销话术。
• 开源边界已经出现：wan2.2-s2v 14B 已 Apache 2.0 开源，「云 API 0.5 元/秒 vs 自部署 GPU 摊销」成为现实选择题；但实时交互全链路（全双工语音、唇形同步渲染、抗噪打断）与合规背书（备案、水印、形象授权审核）仍是云厂商壁垒。

2.6 方向六：国内垂直 SaaS 与直播带货工具（中小商家/创作者）

价格梯度极大：轻订阅 30-69 元/月（有言、剪映）→ 198-999 元/月（蝉镜官网档）→ B2B 定制与代播 5,000 元至数万元/年；另有一条开源本地方案（HeyGem/Duix.Avatar）以 RTX 4070 级显卡换零订阅费。2025-2026 年合规是最大变量（平台规则见第五节）。

2.6.1 硅基智能（商用线）

国内份额第一（2024 年 32.2% 市占率，港股 IPO 进行中，招股书披露 2025 年扭亏、经调整净利约 529 万元）；2D 超写实克隆仅需 3-5 分钟视频素材、全自动化产线 1 个工作日交付；日均直播约 5 万场、累计克隆超 50 万个数字人分身。招股书产品单价区间 0.55 万-2.5 万元；媒体报道「8000 元一个的克隆人」已售近万个；大客户平均客单价 113 万元（2025H1）。第三方渠道价：S 级形象约 3,980 元/年、定制套件约 9,800 元/套、基础直播版 SaaS 约 200-500 元/月；行业参考直播平台约 5,500 元/月、年费约 66,000 元（雷锋网 2023 行业口径）。价格不透明、依赖代理商渠道（行业存在「代理割韭菜」乱象）；官网 guiji.ai 本次抓取 DNS/TLS 异常，一手信息缺失。

2.6.2 蝉镜（蝉妈妈系）——价格完全可查证的国内 SaaS

官网价目表口径（2025-07 版，距本报告日已 14 个月——本报告多处推荐引用此价目，下单前务必以 chanjing.cc/price 实时为准，与核实后第三方交叉口径一致）：免费版 0 元（3 次克隆/月、60 蝉豆≈1 分钟）；基础版 198 元/月（5,700 蝉豆≈95 分钟）；专业版 999 元/月（30,000 蝉豆≈500 分钟、4K）；企业版 32,800 元/年（120 万蝉豆≈20,000 分钟、10 子账号）。合成约 60 蝉豆/分钟；克隆/声音克隆付费档无限次。（流传的「298 元/月 90 分钟、定制 5,888 元起」为旧口径，本次未能确证——待证实。）15 秒视频 1:1 克隆（素材极短，微表情自然度不及 3-5 分钟素材定制）；7×24「日不落」智慧直播、多平台推流、「一人管上百账号」矩阵宣传（注意与平台多账号风控冲突）；官方智库公开发布防封指南。虚拟商品不退款。

2.6.3 万兴播爆 / Wondershare Virbo（万兴科技 300624）

2026-09-16 Web 端在 CCBEC（深圳跨境电商展）全球首发，转型 AI 营销定位；300+ 数字人、300+ 语音、40+ 语言、18 品类带货模板、一句话/一张图/一个链接生成带货视频、「虚实分控」；直播版含推流/实时互动/AI 脚本/AI 翻译。对 HeyGen 的国产平替首选（出海多语种）。价格：注册赠 120 积分（约 2 分钟）；2023 年口径 168 元/月或 1,688 元/年；App Store 现档：尝鲜年会员约 99 元/年、基础连续包月约 49 元/月；数字人尊享定制包 6,886 元（4K 形象+定制声音终身授权）；2026 年 Web 端完整价目官网未公开。局限：克隆自然度口碑不及 HeyGen。

2.6.4 剪映数字人（字节跳动）

国内最大剪辑工具内置能力，随 VIP/SVIP 分发：普通 VIP 约 258 元/年、SVIP 约 499 元/年（另一来源 79 元/月或 599 元/年，档期浮动），「数字人合成」「智能抠像」2025 年调价后归入 SVIP 高阶权益；2025-07 升级后支持 24 种 AI 形象 + 23 种实拍形象（形象库主流平台中偏少）。适合已有剪映工作流、偶尔做口播的个人创作者（边际成本近零）；无直播推流/弹幕互动/话术库等直播带货能力，克隆定制非其主打。

2.6.5 闪剪（Shanjian）

营销口播短视频起家：30 秒视频 1:1 克隆形象与声音、图生数字人；专业版可训练 4K 数字人（需提交 4K 训练素材）；1,000+ 公共数字人 + 500+ 公共配音、数十种语言；直播链接实时录制自动切片（直播切片引流差异化）与企业小程序 OEM（闪剪 Agent）、开放平台 API「百元级即可开通」。免费版：公共形象+配音、单条 5 分钟、720P、水印、5GB。付费：旧口径 298 元/月（ai-bot 收录）；第三方收录个人基础版约 398 元/年含无限定制+3600 算力（以官网实时为准）。注意：会员到期数字人停用；不做直播带货本体（是切片/引流工具）；公共形象商用授权细则未明示。

2.6.6 百度慧播星（2026-05 升级「百度一镜」）——唯一主推免费的大厂直播方案

百度电商官方 AI 全栈数字人直播平台：5 分钟生成专属主播、10 秒生成直播间背景、3 分钟视频一键克隆；智能脚本、智能互动（弹幕回复或约 10 秒后口播双回复、问答对自定义、播后复盘真人问答入库）、多智能体（主播/助播/场控/互动/营销分体）、真人实时接管培训材料（数字人/真人交替换班）。免费策略（多来源证实，confirmed）：外贸 AI 扶持计划助力 100 万家企业免费数字人直播；2025-06「繁星计划」追加 10 万个免费数字人 + 1 亿元消费补贴 + 千万级运营扶持；百度 2025 财报：开播规模同比 +202%、收入同比 +228%；标杆：2025-06 罗永浩数字人百度优选开播约 6 小时 GMV 超 5,500 万元、观看超 1,300 万人次。2026-05-13 Create 大会官宣升级「百度一镜」并推海外版。付费版标价未公开。场域修正：「仅服务百度电商场域」宜理解为免费数字人直播计划的主场域——媒体提及该技术有对外输出案例（服务京东与 TikTok 的报道），非绝对排他。

2.6.7 有言（魔珐科技 XMOV）——授权分级全行业最清晰

一站式 3D 数字人视频创作平台：3,000+ 超写实 3D 形象库（每月新增超百款）、30 秒短视频至 60 分钟讲座、30+ 语言 400+ 音色、四种创作入口（含 PPT 导入）、全要素可编辑；一张照片+一段语音生成专属形象与音色。官网订阅页实抓（2026-09）：个人体验版免费（300 言币/月≈4 分钟 540P、10 款形象、不可商用、单条≤3 分钟、月导出≤3 条）；个人入门版低至 30.4 元/月起（1,000 言币、1080P、百款形象、仅个人商用、单条≤5 分钟）；个人标准版低至 49.8 元/月起（2,400 言币、数百款形象、单条≤10 分钟）；企业版商务定制（上千款企业商用形象+企业商用授权书）。形象克隆：入门版 2 次/月、标准版 4 次/月。培训课件/产品讲解/知识口播的性价比首选；硬约束：免费版无授权、个人版仅限个人受益场景（个体户）、企业受益视频必须企业版；不能直播带货。

2.6.8 遥望科技（002291）——代运营而非工具

A 股「直播电商第一股」，2022-04 即推出数字人主播「孔襄」；「遥望云 AIOS」数智化直播全链路；2025 年报营收 33.03 亿元，参与运营黄子韬「朵薇」首场直播销售额破 4,000 万元；《2026 中国智能体经济白皮书》案例 058 将其列为「24 小时不下播」数字主播代表。无公开 SaaS 标价（服务商商务合作模式）；财务背景：五年半累计扣非亏损近 40 亿元，2025 年毛利率 7.25%（行业 13.48%）。适合想外包直播间运营的品牌方；数字人能力不对外标准化输出，孔襄人设适合美妆、不适合辣条类目（研究报道口径）。

2.6.9 HeyGem.ai / Duix.Avatar（硅基智能开源线）——零订阅费本地方案

见 2.1.3。中小商家视角补充：官方口径约 10 秒视频克隆（「1 秒/1 张照片」为个别营销口径，refuted 修正）；60 秒内合成 4K 视频、唇形同步、8 语言；全离线 Docker 部署（素材不出域）；官方推荐 RTX 4070+32GB（社区整合包最低 8G 显存，smzdm 口径）；许可「免费商用」附 README 条件（10 万用户/1000 万美元）与 LICENSE 条件（MAU>1,000）两套口径（见 2.1.3）。隐性成本是时间：社区实测「一条口播视频背后是半小时的节点调试」——工具不要钱，时间要钱；无官方直播带货闭环（弹幕互动/话术库/违禁词需自行拼装 LiveTalking 等组件）。

2.6.10 方向小结：中小商家最低可用成本组合

• 百度电商带货→慧播星免费计划（近乎零成本起步）；
• 抖音短视频矩阵→蝉镜（198/999 元/月）或闪剪 + 全程 AI 标识 + 真人间歇互动，切勿碰纯无人挂机；
• 已有剪辑工作流→剪映 SVIP 顺手做口播；
• 本地数据敏感/无限量产→HeyGem/Duix.Avatar + RTX 4070 整机（一次性数千元硬件，零订阅）；
• 跨境多语种→万兴播爆 Web 版（99-49 元档起步）或预算充足直接 HeyGen；
• 视频号场域无解（平台明确禁止数字人直播）。

2.7 方向七：核心技术管线（口型驱动/TTS/ASR/LLM/实时传输）

数字人管线是一条「VAD→ASR→LLM→TTS→口型驱动（THG）→RTC」级联链路，每一环都有「开源自部署」与「云端 API」两条路线。

2.7.1 延迟预算逐段拆解

可确认的硬数据：CosyVoice2 双流式首包最低 150ms（官方 README 原文，confirmed）；GPT-4o Realtime 语音到语音延迟目标 500-800ms；口型引擎单帧 <33ms（MuseTalk 30fps+ on V100）；WebRTC 网络传输约 100-400ms；工程实测流式 TTS 首包 TTFA 200-300ms、dots.tts 在 H800 上 54-85ms。「云端级联管线总延迟典型 1100-1300ms（Tolan 团队逐段拆解）」的精确归属待证实——该数字仅见于演讲转述页的搜索索引片段，正文可确认的是 TTFT 常为最大头（约 1 秒）与总预算约 2 秒；「NVIDIA 明确 TTFT 超 500ms 明显滞后」的归属同样待证实（<500ms 响应目标确为 NVIDIA 车载 AI 博客口径，「感知滞后阈值」是行业共识但非 NVIDIA 明文）。方向性结论可靠：全部流式化（流式 ASR + LLM 分句 + 流式 TTS + 30fps 口型 + WebRTC）后整链可压进 800ms 量级（与 GMI Cloud 典型分解约 800ms、Plivo 750ms-1.2s 的行业材料一致）；体感延迟公式 ≈ 首句切出耗时 + TTS 首包 TTFA，LLM 遇标点即切句是最大杠杆。

2.7.2 口型驱动（THG）选型阶梯

结论：商用实时口型引擎的可选集只有 MuseTalk/Ditto（+/Ultralight）；Wav2Lip 及其衍生（含 LiveTalking 默认档）商用即违规。

2.7.3 TTS/声音克隆：商用许可三档（核实修正后口径）

• 干净商用：CosyVoice 2/3（FunAudioLLM）——代码 Apache-2.0，双流式最低 150ms，9 语种+18 中文方言、零样本克隆、指令控制情感/方言/语速；Fun-CosyVoice 3（GRPO/RL 版）test-zh CER 0.81%（CosyVoice2 为 1.45%）；vLLM/TensorRT-LLM 部署（TRT-LLM 约 4 倍加速）——商用中文数字人 TTS 默认选择。GPT-SoVITS——代码与模型 MIT，5 秒零样本/1 分钟微调，v2ProPlus RTF 4090 约 0.014（1,400 字 3.36 秒合成完）、4060Ti 约 0.028；个人/中小团队音色定制首选（专用情感/语速控制仍在 TODO）。MegaTTS3——Apache-2.0 但 WaveVAE 编码器权重不公开（克隆需提交 <24s 音频走官方队列换 latent），实际不可自动化商用。
• 非标准许可（核实修正）：IndexTTS-2/2.5——bilibili Model Use License，并非全面禁止商用（修正原「仅限非商业用途」的说法）：LICENSE 全文仅对「月活超 1 亿或年营收超 10 亿人民币」的主体要求单独书面许可，并禁止用该模型改进其他 AI 模型（非商业 AI 模型除外）；README 官方要求商用者联系 indexspeech@bilibili.com。其 8 维情感向量（喜怒哀惧厌郁惊静）+情感强度+音色-情感解耦+精确时长控制是同类最强；RTX 4090 RTF 约 0.21（2.5 bf16）。情感表现力要求极高的场景可走授权洽谈，大众商用产品直接选 CosyVoice2 更省事。
• 权重禁商用：F5-TTS——代码 MIT 但预训练模型 CC-BY-NC-4.0（因 Emilia 数据集），推理快（TRT-LLM RTF≈0.04）但商用必须换权重或买授权。

2.7.4 ASR 简明结论

• 中文实时管线：Paraformer 2pass（FunASR，MIT；先出流式快结果再出离线高精度修正）或 SenseVoice-Small（10s 音频推理约 70ms、比 Whisper-Large 快约 15 倍、中/粤识别优于 Whisper——第三方评测中文 WER 约 5.4% vs Whisper 14.7%、附带情感/事件检测、2026-06 起支持 llama.cpp/GGUF 约 254MB）二选一。
• Whisper（MIT、99 语言）只做多语言兜底与离线转写——中文错误率与静音/重复段幻觉问题不适合中文数字人主链路。

2.7.5 对话大脑：端到端 vs 级联

• 端到端语音大模型：豆包 Seeduplex（火山）——官方对比文章口径组合约 0.02 元/分钟；但按火山计费文档 token 单价直算（输出音频 1 秒≈25 token × 300 元/百万 ≈ 0.45 元/分钟，输入音频另约 0.03 元/分钟），两口径相差约 20 倍、本报告无法对账——官方口径应含特定场景假设（短轮次/缓存等），签约前必须以 POC 实测账单为准。3.0 版原生全双工（边听边说边调用工具），中文自然度与副语言理解强；GPT-4o Realtime / gpt-realtime——GA 版 $32/$64 每百万音频 tokens（文本 $4/$16；gpt-realtime-2.x 同价；例外：2.1-mini 为 $10/$20），延迟目标 500-800ms，中文场景成本约 $0.04-0.06/分钟量级（第三方换算）——「国产端到端便宜一个数量级」仅在豆包官方 0.02 元/分钟口径下成立；按 token 单价直算两者同量级。端到端赢在延迟与情绪理解（字节官方点名级联对情绪理解有局限、无法遵循语音级指令），代价是音色固定/定制受限、知识库需经会话注入、形象需另配 THG 层。
• 开源端到端：Qwen2.5-Omni（Apache-2.0，Thinker-Talker 架构，7B BF16 需约 31.1GB、GPTQ-Int4 约 11.6GB，SEED test-zh CER 1.42 与 CosyVoice2 相当）适合需要看画面/屏幕的全模态数字人；GLM-4-Voice（9B、24GB 档、情感/方言语速指令控制）是常用开源基线，权重商用条款本轮未完全确认——待证实。
• 级联赢在可控性：音色克隆自由（CosyVoice2/GPT-SoVITS）、知识库走 LLM RAG 生态、各环节可独立替换与降本。需要精确控制知识库答案与克隆音色时选级联或混合架构。

2.7.6 实时传输层：成本模型决定选型

• 按量付费口径（核实确认）：声网 Agora 对话式 AI 引擎 0.021 元/分钟（发布时宣传 0.098）+ RTC 通话费（起价 $0.59/千分钟、每月前 1 万组合分钟免费、音频约 7 元/千分钟档），弱网抗性（FEC+ARQ）是核心溢价；腾讯云 TRTC 音频 7 元/千分钟、标清 14、高清 28（后付费日结，新账号赠 1 万分钟；全高清档官方计费案例口径为 105 元/千分钟，旧材料口径 63——以控制台为准）；火山 veRTC 每月每应用赠 1 万分钟（分档单价表未公开抓到，以商务为准）。
• 自建平衡点：LiveKit（Apache-2.0，Agents 框架内置 Silero VAD + Turn Detector 语义判停 + barge-in 取消 TTS 并清空队列；被 Salesforce/NVIDIA/HeyGen 等生产使用）自建与 Cloud 的盈亏平衡约每月 150 万分钟（自建固定成本约 $15.5k/月，Fora Soft 分析，confirmed）；Cloud 代理会话分钟 $0.01、WebRTC 参与者分钟 $0.0004-0.0005，Ship 档 $50/月（15 万连接分钟）。SRS（MIT，v6.0/v7.0-dev）偏直播推拉流（RTMP/WebRTC/HLS/SRT/GB28181 一体）而非双向对话。
• 结论：<50 万分钟/月直接用云厂商；大于该量级且有运维团队再考虑 LiveKit 自建；海外/弱网用户占比高时声网溢价值回票价；纯推流直播（7×24 无人直播的分发侧）用 SRS/云 CDN 更轻。

2.7.7 对话编排「粘合层」（级联架构必做）

标准组合：Silero VAD（端点触发，LiveKit Agents 默认集成）→ LiveKit Turn Detector（VAD 判停后语义判断用户是否真的说完，避免「嗯…」停顿误触发；英文模型开源、多语言版随 Cloud）→ barge-in（用户开口→取消正在播放的 TTS→清空 LLM/TTS 队列，全双工 WebRTC 保证随时插话）→ LLM 分句流式（遇标点即切句下发 TTS）。情绪连贯性依赖多轮上下文注入 + TTS 情感参数跨句保持（CosyVoice2 指令/IndexTTS-2 情感向量）。端侧必须做回声消除，防止数字人外放声误触发 VAD。多数工程把体验压进 3 秒内（实战普遍 1-1.5 秒）。

三、跨方案对比总表

3.1 开源实时交互全栈对比

3.2 开源视频生成模型对比（离线产线）

3.3 国际商业 SaaS 对比（视频生成型）

3.4 国际实时对话 API 对比

3.5 国内云厂商与企业平台对比

3.6 核心管线组件许可速查

四、按使用场景的选型建议

4.1 场景一：直播带货

第一道门槛是平台规则，不是技术选型（核实后口径）：

推荐（明确结论）：

1. 抖音/快手场首选：LiveTalking 自建（museTalk 档，3080Ti/4090）+ 真人驱动实时互动 + 显式 AI 标识。 理由：RTMP 推流+虚拟摄像头输出链路最全、动作编排与打断完备、自建月成本约 1,400 元起（GPU 4090 按量 1.88 元/时 × 720h ≈ 1,354 元 + 自部署 TTS 与驱动同卡混部；用云大模型 TTS 另计约 3,000 元/月量级，算式见 5.2）——「成本最低」仅相对国际方案与国内定制方案成立（国内低价 SaaS 与慧播星免费计划更低，自建的价值在可控、可深度定制与无订阅锁定）。wav2lip256 档 3060 即可但商用违规（Wav2Lip 许可）且清晰度低，务必用 museTalk/Ultralight 档。 「真人驱动」如何落地（调研材料中可见的两种形态）：①真人实时配音驱动——真人对麦克风说话，LiveTalking 以真人语音流式实时驱动数字人（LiveTalking 原生支持实时语音互动与打断），弹幕由真人实时回应，内容实时生成、非录播，符合抖音「真人驱动实时互动」的要求方向；②真人出镜与数字人交替换班（慧播星官方培训材料即含此配置）。两个待证实项：抖音数字人直播的报白/准入资质流程，公开资料未查到——待证实，开播前应经抖音官方或服务商渠道确认；蝉镜等 SaaS 的「日不落」是否满足抖音真人驱动要求同样无公开说明——待证实。 稳定性前提（必须自建，无现成证据）：LiveTalking 无公开部署量与长跑/崩溃率数据（1.2 已自认开源长时稳定性落后、其 issue 响应一般）——上线前须自建守护进程、崩溃自动拉起、断流自动重推与告警，并先做 7 天×1 路灰度验证后再放量。 合规三件套：①真人驱动/接管配置（纯无人托管是封号重灾区，账号损失远大于硬件成本）；②发布视频带 LiveTalking 水印或与作者书面确认；③《直播电商监督管理办法》（2026-02-01）要求全程显著 AI 标识——开源栈需自建元数据隐式标识+角标显式标识（实施细节缺口见 5.5 第 6 条）。
2. 百度电商场：慧播星（百度一镜）免费计划，功能最全（问答库/复盘/双回复/多智能体，含真人实时接管培训材料）且近乎零成本；接受场域绑定、付费版标价未公开与单商家可开路数上限未披露（待证实/询价）。
3. 淘宝场：阿里云数字人直播（29,999 元/年，含公共形象+TTS+LLM+驱动）；京东场：言犀（询价）。
4. 预算充足求稳（不定平台）：蝉镜「日不落」直播（999 元/月档起——该价目为 2025-07 官网版口径，距报告日已 14 个月，下单前以 chanjing.cc/price 实时为准）或硅基智能定制（3-5 万元/年第三方行情）——采购时把封号赔付条款写进合同：已有司法判例（北京通州法院 2025-11：商家 AI 数字人三次被禁播，判服务商返还费用 5,840 元+酌减违约金判赔 12 万元）与媒体案例（21 世纪经济报道：29,800 元/年虚拟主播半月被快手封禁）。凡「只谈收益、不谈计量单位、不谈平台义务」的推销按诱饵处理。
5. 视频号：放弃。平台明确禁止，任何方案都有封号风险。

4.2 场景二：短视频制作（口播/营销素材）

推荐（明确结论）：

1. 中文批量口播、有技术团队：自建管线——按档位分开算账，两条路线成本量级完全不同。
   • MuseTalk 档（主流选择）：单张 4090（AutoDL 按量 1.88 元/时，7×24 全月约 1,354 元）即可支撑月产千分钟量级且远有余量，月成本约 200-1,500 元，比 EMO 云 API（4,800 元/千分钟）便宜 3-20 倍——「自建更省」仅对该档成立。
   • Wan2.2-S2V 画质档（慎重）：4090 fp8 下 10 秒视频需 15-30 分钟，月产千分钟 = 6,000 段 × 15-30 分钟 ≈ 1,500-3,000 GPU 小时，单卡（720 时/月）跑不动，需 2-5 张 4090 常驻（租用约 2,800-5,600 元/月）——与 EMO API（4,800 元）打平甚至更贵。千分钟级的画质优先需求应直接走云 API，或接受数倍交付周期，不要按 MuseTalk 档的预算上 Wan2.2。
   • 产线：文本→CosyVoice（150ms 流式、Apache-2.0）→MuseTalk/Wan2.2-S2V→LatentSync 口型精修（可选）→自加 AI 标识。前提：承担工程运维与废片质检（Wan2.2 一次成片需分块拼接，色偏与一致性风险）。
2. 零运维中文口播：蝉镜专业版 999 元/月（≈500 分钟、4K、克隆无限次；价目为 2025-07 官网版口径，距报告日 14 个月，下单前以官网实时为准）；更轻量选有言（30.4-49.8 元/月起，3D 质感，注意授权分级）。
3. 无 GPU 且按量付费：阿里百炼 EMO API（1:1 画幅 0.08 元/秒 = 4.8 元/分钟，四条路线云 API 最低）；写实度要求高用 wan2.2-s2v（0.5 元/秒，注意 2025-09 已调价上调）。
4. 出海多语种：HeyGen（175+ 语言、Avatar IV 口型口碑最好；Creator $29/月起步，放量按 16-31 credits/分钟规划 credits 包）；国产平替选万兴播爆（40+ 语言、99-49 元档起步）。中文批量生产不要用国际 SaaS——单价高 5-20 倍且支付/网络有门槛。
5. 本地数据敏感/极限量产：HeyGem/Duix.Avatar + RTX 4070 整机（一次性数千元，零订阅；接受约 10 秒素材克隆的自然度与「半小时调试/条」的时间成本）。

4.3 场景三：实时交互（智能客服/陪伴/虚拟前台）

延迟分级（选型前先定档）：端侧渲染最快（Duix-Mobile <120ms，仅限 App 内置形象）→ 端到端语音大模型 500-800ms（豆包 Seeduplex/GPT-4o Realtime）→ 服务端级联：默认实现 2-3 秒（OpenAvatarChat 官方平均 2.2s、VideoChat 级联首包 3s@A100），全链流式化优化后工程实践约 1-1.5 秒、极限约 800ms 量级（见 2.7.1/2.7.7）——容量与体验规划建议按 1.5-2.5 秒做 P95 预算，级联能做到哪一档直接决定其与端到端方案的体验差距 → 端到端 MLLM 视频路线约 7s（VideoChat@A100，20G 显存）目前不实用。六家开源（OpenAvatarChat/LiveTalking/Duix-Mobile/Linly-Talker-Stream/CyberVerse/Fay）均已支持打断。

推荐（明确结论）：

1. 网页客服/陪伴自部署：OpenAvatarChat。 理由：Apache-2.0 全链路许可最干净（无水印条款）、Qwen/CosyVoice/SenseVoice 原生集成、0.6.0 前后端分离易嵌入自有页面、文档站齐全。前提：接受 2.2s 级响应与 Agent 模式 Beta；改 RTC connection_ttl 配置支撑长会话；按「每路一张中端卡或降分辨率」规划并发（单 4090 现实并发 1-3 路）。
2. 需要人设记忆+RAG+工具调用的 AI 角色产品：CyberVerse（独有卖点一体化）；接受 GPL-3.0 传染性与本地渲染旗舰卡门槛（或用其云端渲染接入计费）。
3. App 内嵌（陪伴/客服/车机）：按 MAU 预期分流，勿一刀切。
   • 预期 MAU≤1,000（工具型、内测、B 端定制项目）：Duix-Mobile——端侧渲染零 GPU 成本、弱网可用、<120ms，MAU 条款不触发。
   • 预期 C 端放量（MAU>1,000 几乎必然）：Duix 的授权条款是实质一票否决项——月活超 1,000 即须申请商业授权，且是否授予由官方单方决定，授权申请流程与公开授予记录均未查到（待证实）。此路线应改推 Web 方案（OpenAvatarChat-WebUI 嵌入 H5/WebView + 自选 RTC），或先经商务签约拿到书面授权后再做原生集成——不要先上线后谈授权。
   • 对比缺口声明：相芯、即构（ZegoAvatar）、小冰等国内商业 SDK 本轮未调研、无对比数据——待补调；「Duix-Mobile 是首选」仅在上述已调研集合内成立。
4. 国内云端快速上线（不养运维）：火山引擎 veRTC + 豆包——12 元/百万 tokens 统一计费、官方宣称延时低至 1 秒、接第三方 LLM/TTS/ASR 与 RAG 最开放、豆包 3.0 全双工。成本敏感项：通话时长线性计费 + 定制音色（精品复刻 3-8 万元/音色）。
5. 国际产品/英文场景：Anam（计费最透明：按秒、$12/月起、超额 $0.16→$0.04/分钟）或 Tavus（工程完成度最高，注意 30 秒最低消费）。 五家国际 API 均无中国区域部署声明（待证实），国内用户接入需自托管 LiveKit 对接且延迟会显著劣化——国内生产环境不要选国际对话 API。
6. 已有 UE/3D 形象资产：Fay 做控制中枢（GPL-3.0，业务系统对接接口最全）。
7. 技术预研（级联 vs 端到端）：VideoChat 做对照参考（级联 8G/3s vs 端到端 20G/7s@A100），但项目已停更，不可上生产。
8. 线下大屏/展厅/政务网点（国内主要部署形态之一，此前正文覆盖不足，此处补齐）：该形态以商务询价为主、基本不走公开 API——候选为讯飞智能交互机（硬件一体机形态）、华为 MetaStudio Flexus 分身（第三方称千元级起步、最快 7 天交付，待证实）、百度曦灵与腾讯数智人线下定制交付（腾讯 2D 精品交互有 140 元/天特惠体验包可试）。选型门槛依次看算法备案、等保合规与私有化能力，而非 API 单价；线下网点属重资产部署，建议先租特惠体验包 PoC 再谈定制合同。

4.4 场景四：企业客服培训（培训视频/课件/演练）

推荐（明确结论）：

1. 国内培训视频量产：有言。 理由：3D 形象质感普遍优于同价位 2D、30.4-49.8 元/月起步、授权分级全行业最清晰（免费版不可商用/个人版仅个人受益/企业受益必须企业版）——企业采购的第一合规检查项它已经替你写清楚了。30 秒-60 分钟时长覆盖 + PPT 导入直转课件。
2. 国际化/多语言企业培训：Synthesia Enterprise。 理由：SOC 2 Type II + ISO 27001/27701/42001 + GDPR 合规最全、240+ Avatar、160+ 语言、SCORM 导出 + SAML SSO + SCIM（Enterprise 档）、EU 数据驻留可选；Roleplay 支持交互式演练（10-25 次/月）。前提：分钟不滚存、订阅档产能低（Creator 仅 360 分钟/年）必须 Enterprise 定制价；中国培训内容数据出境需过评估——强合规企业不适用。
3. PPT 批量转互动课件（预算敏感）：Colossyan Professional（$59/月 30 分钟/月），含 SCORM 导出；放量走 Enterprise（无限分钟+SSO+数据驻留）。
4. 强合规国内政企（等保/数据不出域）：私有化是唯一解——开源全自有（OpenAvatarChat + CosyVoice + 自有 LLM，全链 Apache/MIT）或项目制（硅基智能/百度曦灵/讯飞/商汤；商汤的数字水印与国标参与背景适合金融审计要求）。国际 SaaS 因数据出境 + 无私有化在售，该场景直接排除。
5. 低成本内训口播（个人/小团队）：剪映 SVIP（499 元/年）顺手做；量产后升有言/蝉镜。

4.5 场景五（补充）：二次元陪伴/VTuber 与 3D 品牌数字人

• 二次元陪伴/桌宠：Live2D Cubism（发布许可制、个人/小企业免许可费）+ TTS（GPT-SoVITS 克隆）+ LLM，CPU 即可实时渲染，MotionSync 插件做实时口型。
• 游戏级/品牌 IP 3D 数字人：NVIDIA Audio2Face-3D（2025-09 模型已开源，SDK MIT）+ UE5 MetaHuman 插件（Blueprint 免 C++）；接受 NVIDIA 生态与 3D 管线成本。

五、成本与部署要点

5.1 算力成本锚点（2026-09 实测口径）

• AutoDL：RTX 4090/24GB 标价 1.88 元/时（官网 2026-09-26 实抓，会员 95 折）；调研材料区间 1.58-2.5 元/时（区间端点未独立证实）；包月价需登录，第三方口径 1,100-1,800 元/月不一（待证实，按按量价线性估算 7×24 全月约 1,354 元）。口径统一说明：原调研材料场景测算中引用的「4090 租用约 1,460 元/月」系旧价格点口径，与本报告官网实抓价不一致，本报告全部按 1.88 元/时 × 720h ≈ 1,354 元/月重算。 旺季（毕业季）4090 经常售罄。有 LiveTalking 一键社区镜像。
• RunPod：4090 社区云约 $0.34-0.59/时、Secure Cloud 约 $0.69-0.74/时。
• 自有整机：10 卡 4090 约 30-40 万元一次性，折旧 3 年约 8,300-11,000 元/月+电费运维。
• 经验值：单张 4090 包月可支撑 1 路 7×24 实时直播（museTalk 档 72FPS 富余）或约 1,000+ 分钟/月离线合成；wav2lip256 档 3060 即可（但禁商用）。

5.2 三场景 TCO 测算（月度，含假设）

场景 A：月产 1,000 分钟口播短视频

场景 B：7×24 直播带货（单路 720 小时/月）——开源 LiveTalking 月成本按可复核算式重算：

• GPU：4090 按量 1.88 元/时 × 720h ≈ 1,354 元；
• TTS 两口径：①自部署 CosyVoice/GPT-SoVITS（许可零成本，与口型驱动同卡混部，GPU 已含上项）→ 边际成本≈0；②云大模型 TTS：火山豆包语音合成大模型音色约 3 元/万字符（公开资料交叉口径），720 小时满负荷语音按 4-5 字/秒约 1,000-1,300 万字符 → 约 3,100-3,900 元/月（实际因话术预生成复用与静音占比会低于满负荷估算）。
• 合计约 1,400-5,300 元/月（取决于 TTS 路线）。修正说明：原调研口径「1,500-2,500 元（GPU 1,460 + TTS 900）」中，1,460 元与本报告官网价 1.88 元/时不一致、900 元 TTS 无法从本报告列出的任何单价推出，均已按上式重算。
• 对照：硅基基础直播版 200-500 元/月起（第三方口径）、定制方案 3-5 万元/年；火山按 tokens 数百元级通道成本+形象授权商务报价；账号损失是最大隐性成本（平台封禁见 4.1）。

场景 C：100 路并发客服（每路每天 8 小时 = 月通话量 144 万分钟）：

• 火山 veRTC 打包口径：12 元/百万 tokens × 每路每分钟 5,000-10,000 tokens ≈ 8.6-17.3 万元/月（含 RTC+ASR+TTS+LLM 全链路，假设敏感需 POC 实测）；
• 开源自建渲染层（合规档位修正）：原调研口径「10 卡 wav2lip ≈2.6-3 万元/月」基于 wav2lip 单卡 10 路假设——该模型严禁商用（5.4 红线第一条，商用基线不能建在违规模型上），且「单卡 10 路」未经官方并发基准支持；按官方 FPS 表与 ≥25fps 实时标准折算：MuseTalk@4090（72FPS）≈2.9 路实时/卡，100 路需约 35 张 4090，租用约 4.7 万元/月（35×1.88×720），本地 LLM/TTS 算力另计——量级与原口径完全不同；
• 国内 SaaS：按路计费第三方行情 2.5-8.3 万元/月；
• 混合架构（本报告推荐，构成与测算如下）：渲染层 LiveTalking/自研 + MuseTalk（35×4090，租用约 4.7 万元/月）+ 语音与 LLM 层走云端——按 veRTC 打包口径 8.6-17.3 万元/月，或端到端豆包语音按官方 0.02 元/分钟口径仅约 2.9 万元/月（两口径未对账，见 2.7.5）→ 合计约 13-22 万元/月（veRTC 口径）。结论：混合架构省下的是语音/形象的可控性与许可自由，多出的是约 35 张卡的运维；是否优于全云方案取决于卡价、并发实测与合规要求，以 POC 实测定标，本报告不替读者预设它一定更省。

5.3 部署形态要点

• 实时交互自部署：CUDA 12.8 是 2026 年的硬门槛（OpenAvatarChat/LiveTalking/50 系显卡均要求）；WebRTC 需开放 TCP+UDP 端口（LiveTalking TCP:8010+UDP、CyberVerse 内置 TURN 8443/TCP）；长会话改 OpenAvatarChat connection_ttl（默认 900 秒）。
• 离线合成产线：Docker 化（Duix.Avatar 三镜像约 70GB、磁盘 100GB+）；批量脚本要含显存调度与失败重试（按秒计费的 API 失败重试也收费）；合成管线需自建元数据隐式标识 + 显式角标（开源栈无内置合规标识）。
• 验收基准四件套（供应商谈判用）：①固定 20 条脚本盲测废片率 + SyncNet 唇同步指标；②7 天×3 账号挂机实测封禁/限流率（拒绝采信「低封号率」口头承诺——该指标无任何第三方统计）；③100 路并发压测 P95 首响 <2.5s + 单路分钟成本含重试；④「99% 相似度」要求供应商提供测试集定义并由第三方盲测复核。

5.4 许可证红线清单（全部读到原文，按核实口径）

5.5 合规基线（2025-2026，发布前必查）

1. 《人工智能生成合成内容标识办法》+ 强制国标 GB 45438-2025（2025-09-01 同步施行，四部门发布）：显式标识（用户可感知的文字/声音/图形）+ 隐式标识（文件元数据，按国标）双重添加；覆盖文本/图片/音频/视频/虚拟场景/交互场景；服务提供者、传播平台、分发平台、用户四方各有义务；用户发布 AI 内容须主动声明。开源栈需自建；商业 SaaS/API 一般已内置——验收时实测输出文件元数据。
2. 《直播电商监督管理办法》（2026-02-01 施行）：使用 AI 生成人物图像/视频直播带货须全程显著提示「由 AI 生成」；建立直播营销人员培训与黑名单制度；隐瞒虚拟主播身份可能按欺诈处理（媒体报道口径：消费者可主张退一赔三）。
3. 平台红线共性：录播循环冒充直播、纯 AI 无人托管、未授权名人形象、未标注 AI 生成。抖音最严（真人实名驱动+实时互动）；视频号直接禁止；小红书持续专项治理 AI 起号。
4. 素材授权链留证：真人形象需签署肖像/声音授权协议，保留训练数据来源记录、克隆过程日志与授权文件编号关联，按「被投诉→举证」逻辑建档。
5. 数据出境：HeyGen（美国）/Synthesia（欧盟/英国）处理中国业务内容需过数据出境评估；政企等保场景私有化几乎是唯一解。
6. 实施缺口声明（本报告未覆盖，落地前需补齐，勿视为已有方案）：①GB 45438-2025 的元数据字段规范、写入口与校验方式、直播角标的具体规格——本报告仅提出「需自建显式+隐式双重标识」的义务要求，未给实现细节；②7×24 长跑的监控、告警与自动恢复（守护进程/断流重推）属工程实施，本报告仅在 4.1 列出要求；③出海欧盟除模型许可的地域排除（如 HunyuanVideo-Avatar）外，还需评估欧盟 AI Act 等AI 生成内容透明度义务——本材料未调研，待补；④出海产品的数据训练/保留政策与 SLA 见 2.4.5 采购必查清单，签约前逐项落实。

六、信息来源汇总

6.1 官方仓库与文档（关键数字的一手来源）

• 开源实时交互：github.com/lipku/LiveTalking（README 性能基准表、声明章节、Issue #546）；github.com/HumanAIGC-Engineering/OpenAvatarChat 及 docs/FAQ.md；github.com/duixcom/Duix-Avatar 与 /Duix-Mobile（LICENSE 原文经 GitHub API license 端点逐字核实）；github.com/dsd2077/CyberVerse；github.com/xszyou/Fay；github.com/Kedreamix/Linly-Talker；github.com/Henry-23/VideoChat；github.com/Soul-AILab/SoulX-FlashHead；github.com/aigc3d/LAM
• 开源视频生成：github.com/Wan-Video/Wan2.2；github.com/Tencent-Hunyuan/HunyuanVideo-Avatar（LICENSE 原文逐条核验）；github.com/antgroup/echomimic_v2；github.com/bytedance/LatentSync；github.com/MeiGen-AI/MultiTalk 与 /InfiniteTalk；huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5；github.com/Lightricks/LTX-2（LICENSE 与 LICENSE-2_x 原文）；github.com/SkyworkAI/skyreels-a3.github.io（及 HF/ModelScope API 核验为空）；github.com/fudan-generative-vision/hallo2、/hallo3；github.com/Alibaba-Quark/LiveAvatar（README 原文逐项证实）；blog.comfy.org 与 docs.comfy.org（Wan2.2-S2V 模板）
• 国际 SaaS：heygen.com/pricing 与 help.heygen.com（Avatar IV 费率 16/31 credits/分钟，2026-09-09 更新）；synthesia.io/pricing（2026-09-26 实抓）；d-id.com/pricing 与 help.d-id.com；colossyan.com/pricing（2026-09-26 改版后口径）；captions.ai/pricing；hedra.com/pricing；vidnoz.com/pricing.html
• 国际对话 API：docs.tavus.io（pipeline-modes/livekit/pipecat/latency-optimization）；tavus.io/pricing；anam.ai/pricing；simli.com 与 docs.simli.com；digitalhumans.com（uneeq.com 301 实测）；soulmachines.com/studio-pricing；anam.ai/tools/latency-benchmark（Tavus 1.4s 的实际出处）
• 国内云厂商（官方文档为主）：docs.volcengine.com（AI 音视频互动计费 12 元/百万 tokens、豆包语音计费、OmniHuman）；help.aliyun.com（wan2-2-s2v、emo-v1、虚拟数字人计费、数字人直播概述）；cloud.tencent.com（数智人、TRTC 计费）；xiling.cloud.baidu.com；virtual-man.xfyun.cn；support.huaweicloud.com（MetaStudio 停售公告 bulletin-metastudio_10_0002）；yanxi.jd.com；sensetime.com
• 国内垂直 SaaS：chanjing.cc（price 与产品更新页）；youyan3d.com/subscribe（官网实抓全档价格与授权分级）；virbo.wondershare.cn 与 App Store；shanjian.tv；huibo.baidu.com（慧播星，无公开报价）；smzdm.com 价目表实测文章（69 元/月、899 买断、0.2 元/秒三锚点）
• 技术管线：github.com/Rudrabha/Wav2Lip 与 /TMElyralab/MuseTalk（README 原文核实）；github.com/FunAudioLLM/CosyVoice（150ms 原文）、/SenseVoice；github.com/RVC-Boss/GPT-SoVITS；github.com/index-tts/index-tts（LICENSE 全文通读）；github.com/SWivid/F5-TTS；github.com/modelscope/FunASR；github.com/openai/whisper；platform.openai.com/docs/pricing 与 openai.com 官方博客（gpt-realtime 定价）；github.com/QwenLM/Qwen2.5-Omni；github.com/THUDM/GLM-4-Voice；github.com/livekit/livekit 与 /agents、/turn-detector；github.com/ossrs/srs；agora.io/pricing 与 doc.shengwang.cn；github.com/NVIDIA/Audio2Face-3D；livekit.com/pricing 与 forasoft.com（LiveKit 成本分析）

6.2 法规与监管来源

• 网信办等四部门《人工智能生成合成内容标识办法》（2025-03-14 发布、2025-09-01 施行）与 GB 45438-2025 强制国标（cac.gov.cn 原文页反爬，经政府转载页与央视/环球网/51CTO 交叉证实）
• 市场监管总局、网信办《直播电商监督管理办法》（2026-02-01 施行；网监司负责人答记者问）
• 北京消协：8 家头部电商《促进 AI 技术规范应用承诺书》（2025-12）
• 司法与媒体案例：新京报（北京通州法院数字人封禁索赔判例，2025-11-12）；21 世纪经济报道（29,800 元/年虚拟主播半月被快手封禁，2023-06-16）；北京日报客户端（抖音 2024 下半年封禁录播账号超 3 万、处置录播直播间超 17 万）；川观新闻（视频号违规打击公告）

6.3 独立核实结果台账（本报告口径的依据）

6.4 明确「待证实」清单（选型前需自行验证）

1. OpenAvatarChat lite 模式 4G 显存（53AI 第三方实测，2025-06）
2. 国际五家对话 API 均无中国大陆区域部署（否定性结论；UneeQ 支持 on-premise 为已证实）
3. 视频号「2025-02 单月处置约 2.5 万违规直播间」（可查相近数据为 2024-10 的 23,574 个、2025-10 的 43,885 个，均为综合违规）
4. 快手「认证数字人 + 真人介入≥30% 时长」（仅服务商页面自述）
5. 级联管线总延迟「典型 1100-1300ms」的 Tolan 归属与「NVIDIA 明确 500ms 感知阈值」归属
6. HeyGen Avatar V API $0.05/秒（未在官网直接核实）
7. 腾讯智影 698 元/年会员与 3,999/7,999 元定制价（第三方口径）
8. AutoDL 4090 包月价（第三方口径 1,100-1,800 元/月不一）与「显存不随并发增长」表述
9. 各家中文口型质量专项量化横评（公开报告缺失，需自建测试集 PoC）
10. GLM-4-Voice 权重商用条款（未完全确认）
11. Ditto「60+ FPS」（第三方清单口径，官方未给数值）
12. Soul Machines Digital Workforce 企业档价格（销售报价制）
13. 抖音数字人直播的报白/准入资质流程（公开资料未查到，见 4.1）
14. 蝉镜等 SaaS「日不落」直播是否满足抖音「真人驱动实时互动」要求（见 4.1）
15. Duix 系 MAU>1,000 商业授权的申请流程与公开授予记录（见 4.3）
16. 慧播星免费计划的单商家路数上限（见 4.1）
17. 本轮未调研的对比缺口：Inworld、小冰、相芯、即构（ZegoAvatar）等厂商；GB 45438-2025 元数据字段级实现与欧盟 AI Act 透明度义务（见 5.5 第 6 条）

附：本报告结论的三句话版本

1. 技术选型上：实时交互自部署选 OpenAvatarChat（对话）/LiveTalking（直播，museTalk 档），离线口播选 MuseTalk 管线（画质优先走云 API），零运维选蝉镜/有言（国内）与 HeyGen/Synthesia（国际）——核心开源组件许可可商用（MuseTalk 权重凭官方声明、商用前留档），MuseTalk 档成本优势达 3-20 倍（仅该档成立，Wan2.2 画质档自建与云 API 打平），并发按「单 4090 1-3 路高质量」规划，勿信两位数并发宣传。
2. 许可与合规上：先查 LICENSE 再看 star 数——Duix 系 MAU>1,000 条款、HunyuanVideo 地域/蒸馏限制、Wav2Lip 禁商用、LiveTalking 水印条款是四个最容易踩的坑；2025-09 起显式+隐式双重 AI 标识是法定义务，直播带货必须真人驱动+平台合规标识。
3. 成本上：月产千分钟口播——MuseTalk 自建 200-1,500 元 / EMO API 4,800 元 / 蝉镜专业版约 2,000 元 / HeyGen 约 5,000-9,500 元；Wan2.2-S2V 画质档自建需 2-5 张 4090（约 2,800-5,600 元/月），与云 API 打平；单路 7×24 直播自建约 1,400 元起（自部署 TTS）至约 5,300 元/月（云大模型 TTS）；100 路并发客服混合架构（开源渲染约 35 卡 + 云语音层）估算 13-22 万元/月，需 POC 实测定标。