AI数字人自定义动作：让挥手、点头和讲解自然衔接

给官网数字人加上一个挥手动作，看起来不难。但试着把欢迎、问答和产品讲解连起来，就会发现真正需要处理的细节：

欢迎词说完了，手是不是还举着？客户开始提问后，数字人能不能安静听？切换到讲解动作时，人物的位置和姿势会不会突然变化？

AI数字人自定义动作，不能只验收“这一段会不会动”，还要检查动作之间怎样衔接。 可以从素材、触发条件和播放状态三个方面来设计。

一、数字人能自定义动作吗？先确认平台支持什么

需要先区分两种需求：一种是制作带手势的固定视频，另一种是在实时对话中，根据状态选择不同动作。

金福来数字人对应的公开更新文档已经列出多动作角色、待机与倾听动作播放、动作模板复用，以及源视频和提示词预览等能力。这说明动作可以作为独立内容进行配置，而不只是更换人物照片。

AI数字人多动作演示：挥手、点头与讲解动作衔接

但不要把“支持多动作”理解为“输入任何一句动作描述，就能立即在所有角色上准确执行”。

评估时建议直接问清楚：使用已有模板，还是需要生成新素材？动作由平台自动编排，还是需要接入程序触发？ 这两点决定了实际配置和开发范围。

假设欢迎动作里，人物站得比较近；讲解动作里，人物突然缩小，衣服颜色和背景亮度也变了。即使每段视频单独看都不错，连起来仍然不自然。

建议把同一角色的服装、构图、背景和光照尽量统一。对应的自定义形象训练文档也要求单人入镜、脸部持续清晰、镜头稳定，并保持良好且一致的光照。

准备动作描述时，也不要只写“热情欢迎”。可以写得更具体：

人物保持正面站姿，右手抬起轻轻挥动一次，随后自然放下，回到起始姿势；镜头位置和背景保持不变。

这是素材制作的描述示例，不是接口参数。它把动作的开始、过程和结束都交代清楚，后续也更容易检查生成结果是否符合要求。

先把一个动作做完整，再增加动作数量。 不必第一次就准备十几种手势。

动作配置还需要回答一个问题：当前这轮对话，应该播放哪一个动作？

建议先围绕三种状态规划，具体触发方式由平台能力或接入程序实现：

这背后可以用“状态机”管理。名字听起来专业，实际就是：系统记住现在处于什么阶段，再决定允许哪些动作。

例如，公开实时接口中的 realtime.input_audio_buffer.speech_started 表示检测到用户开始说话，可用于处理打断并停止当前回答播放。接入侧可以据此安排倾听状态，但动作如何切换仍需结合所用平台实现。

如果自行开发动作编排，还建议在用户打断后撤销已经过时、尚未播放的讲解动作，避免新问题开始了，人物仍在执行上一轮的手势。

这里有一个容易混淆的技术细节：音频生成结束，不等于用户已经听完。

以公开接口中的 realtime.response.audio.done 为例，它表示这一轮音频生成完成。如果客户端还有未播放的音频，直接根据这个通知切回待机，就可能出现声音还在继续、人物却已经停止讲话的现象。

因此，动作结束条件应结合实际播放进度，而不是只看服务端是否完成生成。

对于普通音视频文件，浏览器提供 ended 事件表示媒体播放到末尾；但持续实时流不能直接把整条媒体流结束，当成每轮回答结束。实时项目应使用对应的播放进度、队列或SDK回调来判断。

排查时可以同时记录“生成完成”和“播放完成”。两个时间点分开后，才容易找到动作提前收尾的原因。

先看跳变发生在哪里。

如果人物大小、光照或衣服发生变化，先检查素材一致性。 如果人物始终一致，但手臂从抬起直接跳到放下，则建议检查前一个动作的结束姿势，与后一个动作的开始姿势是否接近。

对于需要循环的待机素材，应重点检查首尾是否能够衔接。自定义形象素材文档也建议使用能够自然循环的视频，以改善连续呈现。

如果采用3D模型，还可以通过动画混合逐步降低旧动作的权重、提高新动作的权重。例如Three.js提供交叉淡化相关能力，用于动画之间的过渡。这属于3D动画处理方法，不能直接等同于2D视频片段切换。

所以，不要遇到跳变就统一要求“加个淡入淡出”。先分清是素材不一致、姿势接不上，还是播放状态切错了。

建议先配置一组简单动作：欢迎、倾听、讲解。然后完整走一遍“进入页面—提出问题—听取回答—中途插话—继续追问”。

重点观察三个地方：欢迎动作是否反复出现，插话后能否切回合适状态，回答结束时声音与动作是否一起收尾。这些是建议测试项，不是已经完成的实测结果。

金福来数字人官网提供形象定制和网站接入相关服务，并设有“咨询试用”入口。企业可以提交现有形象、使用页面，以及希望增加的两三个动作，进一步沟通素材准备、多动作配置和接入范围。

AI数字人自定义动作，不需要一开始就做得很复杂。挥手要完整，倾听时要收住，讲解时要配合内容，切换时不要突然变脸。把这些细节接顺，比单纯增加手势数量更值得优先做。