Hume AI Voice 与 EVI：如何添加实时 AI 数字人

要给 Hume AI Voice 添加实时 AI 数字人，可以消费 EVI 的 audio_output 事件，并把同一份助手语音同时交给播放链路和 Spatius。 Motion Server 将语音转换为动作数据，AvatarKit 在终端本地渲染角色。应用还必须让音频顺序、正常结束和打断在两条链路上保持一致。

独立指南： Spatius 与 Hume AI 不存在隶属、背书或官方集成合作关系。本文仅依据双方公开文档说明一种互操作架构，并不代表已经提供打包好的原生连接器。

最后核验：2026 年 9 月 24 日。

Hume AI 与 Spatius 各自负责什么

Hume Empathic Voice Interface 是对话层。它接收用户实时音频、管理交互，并返回包括转写、助手文本、输出音频和响应生命周期事件在内的结构化消息。

Spatius 从视觉边界开始工作：接收应用已经批准播放的助手语音、生成动作数据，并通过 AvatarKit 在客户端本地渲染数字人。它不替代 Hume 的语音模型、提示词、工具、对话状态或轮次管理。

职责	Hume EVI 应用	Spatius
用户麦克风与对话会话	负责	不负责
助手行为、工具与声音	负责	不负责
最终助手语音	生成并播放	作为数字人动作输入
音频排序与轮次协调	由应用负责	消费已经协调好的轮次
面部动作生成	无需负责	Motion Server 生成动作数据
数字人渲染	不负责	AvatarKit 在客户端本地渲染
产品 UI、字幕、分析与人工转接	由应用负责	不负责

这样可以保留 Hume 的表现力语音体验，同时为网页、移动端、自助终端、教学或引导式工作流增加可见角色。

参考架构

最重要的原则是：用户听到的 Hume 输出音频，必须也是驱动数字人的那一份音频。

用户麦克风
    ↓
Hume EVI 会话
    ├─ 对话、工具与打断事件
    └─ 助手 audio_output 消息
                   ↓
             应用音频协调器
              ├─ 播放队列
              └─ 单次解码与格式转换
                          ↓
                 Spatius Motion Server
                          ↓ 动作数据
                 AvatarKit 客户端渲染

不要把用户麦克风音频发送到数字人层。仅为了驱动角色，也没有必要传输提示词、私密转写、工具参数、客户记录或智能体内部状态。

保持数字人同步的音频路径

Hume 的音频指南说明，audio_output 消息的 data 字段包含 Base64 编码的 WAV 音频。由于输出可能比实际播放速度更快，应用需要维护有序播放队列。

数字人链路应该只解码一次消息，并保留它在当前助手轮次中的位置。解码后的语音供两个协调后的消费者使用：用户播放链路和 Spatius 输入链路。如果当前 Spatius 会话要求标准的单声道、16 位有符号小端 PCM，应先解开 WAV 容器，再进行一次确定性的格式转换。不能把多个 WAV 文件连在一起后当作没有文件头的原始 PCM。

音频规则	原因
两套系统共用一个助手轮次 ID	防止旧分片驱动下一轮回答
只保留一份有序助手语音源	保证动作对应用户真正听到的内容
只执行一次有文档依据的格式转换	避免采样率、声道和容器歧义
区分正常结束与打断	防止把自然结束当作取消
只设置一个权威播放路径	避免回声和重复播放

实施步骤

1. 先单独验证 EVI

从 Hume 的 TypeScript 快速入门开始。在连接第二个实时系统之前，先确认麦克风采集、智能体响应、工具调用、正常结束和用户打断都可用。否则，音频故障很容易被误判成数字人故障。

2. 长期凭证必须留在服务端

使用 Hume 当前文档提供的客户端安全授权方式，不要在浏览器中暴露长期 API Key。Spatius 也采用同样的安全边界：API Key 留在后端，AvatarKit 只获取 Direct Mode 客户端指南中要求的短期会话信息。

3. 给每个助手轮次分配唯一标识

响应开始时创建 utterance ID，并把它关联到播放分片、转换后的数字人音频、正常结束和打断事件。同一会话内不复用的递增序号就足够。

协调器应该拒绝已经结束或被打断的轮次所产生的迟到分片。这比从转写文本猜测当前响应更可靠。

4. 解码并分发每条输出音频

先对 audio_output.data 做 Base64 解码，再解开 WAV 容器并把语音加入用户播放队列。随后把同一份语音转换成当前 Spatius 会话要求的格式，按顺序流式发送给 Motion Server。Spatius 音频规范针对的是助手语音，不是用户麦克风输入。

收到 Hume audio_output：
  校验当前 utterance ID
  只解码一次 WAV
  把语音加入播放队列
  转换同一份语音并加入 Spatius 队列

正常完成响应：
  完成两条队列
  通知数字人输入结束

用户打断：
  停止该轮次的播放
  清空该轮次未处理的数字人音频

以上是架构级伪代码。精确方法名应以当前 Hume 事件定义和 AvatarKit SDK 参考为准，不应复制未经验证的适配器代码。

5. 正确结束完整响应

Hume 在助手轮次完成时会发送包括 assistant_end 在内的生命周期消息。最后一个语音分片进入两条队列后，再结束对应的 Spatius 输入。正常 end-of-input 允许已接收语音自然完成，与丢弃被打断的响应不是同一操作。

6. Barge-in 时同时停止两套系统

Hume 将 user_interruption 和新的 user_message 视为停止排队播放的原因。相同事件必须作用于对应的数字人轮次。如果声音已经停止而缓冲中的数字人输入仍在继续，角色就会看起来像在无视用户。

事件	播放动作	数字人动作
第一段助手音频	启动当前队列	启动对应 Spatius utterance
当前轮次后续音频	保持顺序	保持相同顺序
助手正常结束	播放完并完成	发送正常 end-of-input
用户打断	停止并清空队列	打断并清空同一轮次
已关闭轮次的迟到分片	丢弃	丢弃
任一连接失败	记录失败层	展示可控的纯音频或重试状态

Spatius 不只是音量可视化

波形或“正在说话”指示器只能响应音量，无法提供语音驱动的面部动作。Spatius 架构由 Motion Server 返回动作数据，再由 AvatarKit 本地渲染角色，而不是向客户端再传输一条完成的视频流。

应用仍可控制布局、镜头、字幕、工具状态、无障碍控制、降级 UI 和角色在产品中的位置，也可以把语音层和数字人层分开测量：

指标	Hume／应用层	Spatius／数字人层
首段助手音频时间	在此测量	作为输入边界
音频间断或对话错误	在此测量	不包含
音频到动作的传输	不包含	在此测量
客户端渲染稳定性	产品客户端	在目标设备测 AvatarKit
打断正确性	共享产品事件	必须与声音同时停止

推荐记录 utterance ID、Hume 事件类型、分片序号、首段音频时间、首帧动作时间、格式转换失败、打断原因和清理结果。关于分段测量，可参考如何评估实时 AI 数字人延迟。

成本与适用场景

Hume 的订阅、用量、超额费用和并发条款应以其官方定价页为准。Spatius 与应用基础设施属于独立成本层，应使用 Spatius 定价单独建模。没有明确工作负载时，不应把两家供应商合并成一个通用的每分钟价格。

当用户本来就面对屏幕，且产品希望为 Hume 语音增加品牌化视觉形象时，这套架构更适合。纯电话部署通常不需要数字人。如果团队希望一家供应商承担完整对话栈并直接输出成品视频，它也可能不是最佳选择。

如需查看不绑定具体语音供应商的方案，可阅读如何把 TTS 音频流式传给实时 AI 数字人。

Hume AI 数字人常见问题

这是 Hume AI 与 Spatius 的官方集成吗？

不是。本文只依据公开接口说明一种独立互操作方案，不代表 Hume 合作关系或打包好的原生连接器。

Spatius 会替代 Hume EVI 吗？

不会。Hume 继续负责语音和对话，Spatius 接收经过批准的助手语音并增加动作生成与本地数字人渲染。

应该根据转写文本驱动数字人吗？

转写适合字幕与 UI 状态。数字人应由最终助手音频驱动，确保动作跟随用户实际听到的声音。

EVI 的 WAV 数据可以直接当作原始 PCM 吗？

不可以。先解码 WAV 容器，再把采样转换成当前 Spatius 会话要求的格式，不能把重复的 WAV 文件头当作 PCM。

概念验证必须检查什么？

需要验证授权、音频解码、顺序、格式转换、数字人就绪、正常结束、打断、迟到分片拒绝、重连和目标设备渲染。

保留 Hume EVI，只增加视觉层

Hume 可以继续承担表现力语音和对话，Spatius 负责视觉呈现。明确共享的音频协调器和打断边界后，两套系统都更容易测试、定位问题与独立替换。

带上你的 Hume EVI 架构、目标客户端和音频配置。我们可以协助评估 Spatius 音频交接方案，而不替换现有语音智能体。预约演示, or ，或查看 Spatius 定价.。