很多客服 AI 数字人在演示里看起来不错，到了生产环境却很快暴露问题。问题通常不在“脸”，而在脸下面的架构。
这篇指南解释 conversational AI avatar 到底是什么、它在规模化客服场景里需要满足哪些条件，以及在真正投入建设前应该如何评估平台。
什么是 Conversational AI Avatar?
Conversational AI avatar 是一种实时交互式数字人。它能在持续会话中响应用户说的话或输入的文字，并以音频和视觉表情同步回应。它不同于：
- 预录制数字人：按菜单触发固定视频片段，没有真正对话。
- AI 生成视频：用 Synthesia 或 HeyGen 视频产品生成异步视频，不是实时交互。
- 语音机器人加 talking-head 叠层：语音 AI 上贴一个循环 2D 头部视频，不是真正响应式面部动画。
一个 conversational AI avatar 通常包含四层：语音链路（ASR -> LLM -> TTS）、面部动画模型、渲染引擎，以及让音画保持同步的传输层。自然交互通常要求端到端延迟低于 1.5 秒。
这四层的归属会带来直接的业务影响。哪些层由你自己掌控、哪些层交给供应商，决定了成本结构、延迟下限和定制空间。
为什么客服是高压部署环境
客服部署会同时压测 conversational avatar 栈的每一层。
并发量：一个支持中心如果同时处理 500 个会话，就需要 500 路并行数字人会话。按分钟计费的模式在这里会快速变成主要成本。
网络多样性：用户可能来自公司网络、手机热点或网络基础设施较弱的市场。云渲染数字人通常需要每路 1-2 MB/s 的视频流带宽，在这些环境里会不可预测地降级或失败。
设备多样性：自助终端、门店屏幕和企业平板通常不是旗舰硬件，而是中低端芯片或预算设备。
延迟敏感：当一张脸等 3 秒才回应，用户会立刻感到不像真正对话。端到端 1.5 秒以内是更自然的阈值；超过这个范围，交互会显得机械。
决定一切的架构选择
实时渲染数字人面部有两条主要路线。
云端视频流把整个渲染管线放在云 GPU 上，再把结果作为视频推给客户端。它可以保持视觉质量，但代价是每路 1-2 MB/s 的持续带宽、额外渲染延迟，以及与重型视频推流基础设施绑定的成本模型。
端侧渲染只传输轻量 Motion data（驱动参数）。以 Spatius 为例，Motion Server 输出 Motion data，客户端 SDK 在用户设备上渲染 3DGS 数字人。传输数据量约 10-20 KB/s，相比云端视频流降低约 99%。面部互动层额外延迟低于 300ms，端到端延迟取决于所接入的语音 AI 栈，参考指标为低于 1.5 秒。
对客服来说，端侧渲染有三个实际价值：
- 规模成本：500 路会话每路只传 10-20 KB/s，而不是 1-2 MB/s，基础设施成本完全不同。
- 网络韧性：在移动网络和低带宽环境下，会话质量更稳定。
- 设备覆盖：端侧 SDK 可运行在入门级芯片上。参考材料显示，入门级 SoC 可稳定 25 fps 以上，中低端主流设备可达到 30-60 fps。
更多架构对比可读：On-Device AI Avatar vs Cloud Streaming: Architecture, Bandwidth, and Cost in 2026
评估平台时应该看什么
1. 平台提供 AI，还是只提供“脸”？
这是最先要问的问题。有些平台把 LLM、ASR、TTS 和数字人打包成一体化产品；另一些平台，包括 Spatius，只提供渲染层：你自带 ASR、LLM 和 TTS，平台根据你提供的 AI 生成音频驱动数字人面部。
两种方式没有绝对优劣。一体化方案减少集成工作；BYO（Bring Your Own）方案让你完全控制 AI 栈，可以使用行业模型、合规模型和自有知识库，也避免在变化最快的 AI 层被供应商锁定。
如果客服场景已有语音或 AI 栈，或者合规和数据主权要求你掌控 LLM，BYO 架构通常更合适。
2. 数字人如何定价？
按分钟计费在规模化后会快速成为主要成本。Spatius Scale 计划为 $0.007/min，即 $0.42/hour；很多云渲染替代方案会达到 $0.10-$0.15/min。生产量级下，这个差异非常明显。
以 $5,000 月预算计算：$0.007/min 约等于 11,349 小时会话时长；$0.15/min 约等于 556 小时。这个约 20 倍的差距会决定 AI 数字人是可规模化的客服基础设施，还是只能做低量企业演示。
3. 目标设备是什么？
如果要部署到自助终端、共享企业平板或移动 App，设备兼容性不能模糊处理。你需要确认 SDK 支持哪些芯片、预期帧率是多少。依赖云端视频流的平台看似回避了这个问题，但只是把问题换成了更高的带宽要求。
4. 网络失败时会发生什么？
生产部署必须有回退策略。Spatius SDK 在 WebSocket 连接 15 秒内失败时可自动切换为纯音频回退模式：语音不中断，动画暂停，连接恢复后再继续。这对客服很重要，因为中途掉线比短暂动画暂停更糟。
5. 能否接入现有协作和客服工具？
在实时团队协作场景中，主管可能需要查看数字人会话，真人客服可能要中途接管，数据也可能需要进入已有仪表盘。此时平台的集成架构和头像质量一样重要。你需要确认有哪些 API、会话数据是否可实时访问，以及如何处理人工接管。
客服平台对比
| Spatius | Anam.ai | Tavus | LiveAvatar | |
|---|---|---|---|---|
| 渲染方式 | 端侧渲染 | 云端推流 | 云端推流 | 云端推流 |
| 每路带宽 | 10-20 KB/s | 约 1-2 MB/s | 约 1-2 MB/s | 约 1-2 MB/s |
| 端到端延迟 | <1.5s，取决于语音 AI 栈 | 通常高于 3s | 通常高于 3s | 通常高于 3s |
| BYO LLM | 是 | 部分支持 | 否 | 否 |
| SDK 平台 | Web、iOS、Android | Web/browser-first | Web | Web/iOS/Android 支持因产品而异 |
| Scale 价格 | $0.007/min | 未公开 | 未公开 | 未公开 |
| 回退模式 | 自动纯音频回退 | 未公开 | 未公开 | 未公开 |
| 免费额度 | 500 credits/月，约 50 分钟 | 未公开 | 未公开 | 未公开 |
如果想进一步比较速度与延迟，可读：Comparing AI Avatar Platforms for Speed: Latency, Bandwidth, and Real-World Performance in 2026
哪里可以找到面向虚拟助手的 AI Avatar 服务
最诚实的答案是：先看架构，不要只看演示。
大多数平台都能在受控环境里做出好看的演示。真正的差异会在以下情况下出现：
- 用户网络变差
- 并发从 1 路扩展到数百路
- 需要运行在自助终端或入门级 Android 设备上
- 驱动数字人的 LLM 必须是领域模型或合规模型
对虚拟助手来说，例如在自助终端回答产品问题、处理登记流程或引导用户完成任务，端侧渲染在带宽、每路成本和设备兼容性上明显优于云端视频流。
完整虚拟助手指南可读：AI Avatar for Virtual Assistants: Build an On-Device Agent That Works on Any Budget Hardware
Spatius 如何进入客服技术栈
Spatius 是数字人渲染 SDK。它驱动“脸”，你带来“大脑”。
典型客服集成路径如下：
- 你的 ASR 捕获用户语音并转写为文本
- 你的 LLM 基于业务知识和会话历史生成回复
- 你的 TTS 将回复合成为音频，常用格式为 mono 16-bit PCM，默认 16kHz
- Spatius 接收 AI 生成音频，并在用户设备上实时渲染数字人面部
Spatius 的云端组件是 Motion Server，把音频转换为 Motion data（驱动参数）。重型渲染发生在用户设备上，所以无论会话多长、LLM 多复杂，驱动数据仍保持在 10-20 KB/s 量级。
支持平台包括 Web（WebGL/WebGPU）、iOS（Metal）和 Android（Vulkan）。LiveKit Plugin 面向已经使用 LiveKit Agents 的 Web 团队，提供更低延迟的集成路径。
开始集成前，可以先用 Spatius Playground 体验一次实时会话：playground
推荐阅读
- Interactive Avatar: The Complete Guide to Real-Time AI Avatars in 2026
- HeyGen Interactive Avatar vs. Alternatives: A Use-Case-by-Use-Case Breakdown
- On-Device AI Avatar vs Cloud Streaming: Architecture, Bandwidth, and Cost in 2026