如果你已经有自己的提示词、知识库和满意的音色,就需要一个能接入你自己的 LLM 和 TTS、而不是替换掉它们的数字人 API。本文从这个角度对比五家 API:各自怎么接入你的技术栈、数字人在哪里绘制,以及每月 1,000 和 3,000 分钟分别要花多少钱。
为什么要自带
把 LLM 和 TTS 放在数字人服务之外,你可以自由选择模型、提示词和音色,换掉其中任何一个都不影响数字人层。代价是这些服务之间的衔接要自己负责:流式传输、音频格式、会话状态和异常恢复。下面对比三种常见架构。
交互演示
同一段对话的三种跑法
选择一种架构。每个方框标明由谁运行,每个箭头标明传的是什么。
例如:Anam 音频直通、D-ID Echo、LemonSlice
模型和音色自选,流式传输、格式和异常恢复由你负责;输出仍是云端视频流。
对比维度
- 自带技术栈: 能不能接入你自己的 LLM、你自己的 TTS 音频,还是两者都可以?
- 数字人在哪里绘制: API 推送渲染好的视频,还是由 SDK 在设备上绘制数字人?
- 同等用量下的价格: 相同每月分钟数下最便宜的公开套餐,并发至少 3 路。
延迟和带宽取决于配置、负载和网络,本文不用无法核实的性能数字给厂商排名。
两档用量下的费用
| 平台 | 怎么接入你的技术栈 | 每月 1,000 分钟 | 每月 3,000 分钟 | ||
|---|---|---|---|---|---|
| 月付(美元/月) | 年付(美元/年) | 月付(美元/月) | 年付(美元/年) | ||
| Spatius | 自带 ASR、LLM 和 TTS;数字人在设备上绘制 | Starter $19 | $189 | Builder $49 | $469 |
| Anam | 发送你自己的 TTS 音频(音频直通),或用它的托管流水线;云端视频 | Explorer $154* | 未公开年付价 | Growth $419* | 未公开年付价 |
| LemonSlice | 自带 LLM 或语音模型;云端视频 | Professional $174.10* | $1,889.20* | Scale $532.03* | $5,904.36* |
| Tavus | 在它的托管流水线里接入你的 LLM;云端视频 | Builder $347.75* | 套餐费 8 折(其 FAQ 所述),未列价 | Growth $924* | 套餐费 8 折(其 FAQ 所述),未列价 |
| D-ID | 接入你的 LLM 接口,或发送你自己的音频(Echo);云端视频 | 仅企业版:自助 API 套餐每月最多只含几百分钟流式时长 | |||
价格于 2026 年 11 月 12 日在各家定价页核对,只含数字人服务,不含你自己的 LLM、TTS 和税费。* 表示包含按套餐公开单价计算的超额分钟。Spatius Starter 含 2,000 分钟、Builder 含 5,500 分钟,这两档用量都不需要额外分钟。
有几条规则会影响对比:
- Tavus 的价格包含它自己的 LLM、TTS 和 WebRTC,每次对话按 6 秒取整,最少按 30 秒计费。
- LemonSlice 空闲时间和说话时间一样计费;Scale 及以下的自助套餐达到并发上限后无法再发起新通话(只有 Ultra 和 Enterprise 允许超出,按 2 倍计费)。
- D-ID 自助 API 套餐每月最多只含几百分钟的流式时长,1,000 分钟需要企业报价。
各平台说明
Spatius
Spatius 不运行你的 LLM 或 TTS。你的技术栈生成回复音频,Spatius Motion Server 把它转成动作数据,再由客户端 SDK 用设备 GPU 绘制数字人。传输动作数据而不是视频是 Spatius 独有的方式:动作数据约 10–20 KB/s,另加音频。SDK 覆盖 Web、iOS、Android 和 Flutter,公开的集成路径是 Direct Mode、LiveKit Agents 和声网 Agora 对话式 AI。
取舍: 对话服务要自己集成,并在目标设备上测试渲染效果。AvatarKit Scenes Demo 提供 Web、iOS 和 Android 示例,共用一个后端。
Anam
Anam 的 Python SDK 文档写明支持音频直通:分块发送 TTS 音频(推荐 24 kHz 单声道),接收同步的音视频帧。Anam 也提供托管流水线,自带语音识别、LLM 和语音合成。
取舍: 音色由你掌控,但输出仍是云端视频流。
LemonSlice
LemonSlice 的付费自助套餐写明支持”自带 LLM 或语音模型”和 API 访问。免费版只能体验聊天预览,API 需要付费套餐。如果用它托管的语音识别、LLM 和语音合成,每分钟另加 $0.08–$0.09。
取舍: 并发随套餐提高(Starter 3 路到 Scale 10 路),要按你的峰值会话数选套餐。
Tavus
Tavus 的对话视频接口(CVI)支持接入你自己的、兼容 OpenAI 的 LLM。音色可以来自你的 Cartesia、ElevenLabs 或 Azure 账号,但 TTS 仍在 Tavus 流水线里运行。
取舍: 要编排的服务更少,但对音频链路的控制也更少。
D-ID
D-ID 的智能体可以调用你自己的、兼容 OpenAI 的 LLM 接口。Echo 会话是另一条路:你的后端通过 LiveKit 推送自己的音频(WAV、MP3 或 PCM16),数字人直接对口型,跳过 D-ID 的语音识别、LLM 和 TTS。
取舍: 这是两种独立的模式,要按你的语音和会话流程选一种。
流水线四步
- 转写: 客户端把用户语音发给你的 ASR,ASR 返回文字和说话结束信号。
- 回复: 你的后端把转写和上下文发给 LLM,提示词、检索、工具调用和会话状态都由后端负责。
- 说话: 你的 TTS 把回复转成音频。只有 TTS 和数字人输入都支持流式时,才边生成边发送。
- 驱动: 数字人服务接收音频。云端 API 返回渲染好的视频;Spatius 返回动作数据,由 SDK 在设备上绘制。
动手前先确认音频格式、分块方式、会话生命周期、打断和重连行为,以及由哪一方负责播放。
怎么选
你的项目最看重什么?
Spatius
- 为什么适合
- LLM 和 TTS 留在你的技术栈里;Spatius 只传动作数据(约 10–20 KB/s),数字人在设备上绘制,提供 Web、iOS、Android 和 Flutter SDK。
- 先确认
- 在你支持的最低端设备上测试 GPU 负载和渲染效果。
- 1,000 / 3,000 分钟
- 每月 $19(Starter)/ $49(Builder)
常见问题
自带 LLM 和自带 TTS 有什么区别?
自带 LLM 指由你自己的模型生成回复,提示词、对话历史和检索都由你掌控。自带 TTS 指由你自己的语音引擎生成语音音频,再发给数字人 API 驱动口型。有些 API 只支持其中一种。
数字人在哪里绘制,为什么重要?
云端 API 在服务器上逐帧绘制并推送视频,体验依赖持续稳定的视频流。Spatius 传输的是动作数据,约 10–20 KB/s 另加音频,数字人在设备上绘制,所以要重点测试设备性能。
能用 Llama 或 DeepSeek 这类开源 LLM 吗?
可以,只要 API 接受你自己的音频或兼容 OpenAI 的 LLM 接口。把模型部署在自己的服务器上,回复交给你的 TTS,再把音频传给数字人层。
数字人 API 需要什么音频格式?
各家不同。Anam 的音频直通推荐 24 kHz 单声道,D-ID Echo 接受 WAV、MP3 或 PCM16。采样率、分块大小和传输方式请以各家最新文档为准。
自带 LLM 和 TTS,让 Spatius 在设备上绘制数字人。 打开 Playground,或查看定价。