What is an interactive avatar?
Interactive avatar 是实时数字人交互界面。它听取用户输入，把内容交给 AI stack 处理，再用同步语音和面部动作回应用户。它不是播放固定片段的预渲染数字人视频。
典型技术栈有四层：
- ASR 把用户语音转成文字。
- LLM 或 RAG 系统决定回答内容。
- TTS 生成回复音频。
- 数字人层驱动并渲染数字人。
Spatius 位于第四层。它不提供 ASR、LLM 或 TTS。
How interactive avatars work
最大的架构选择是：渲染发生在哪里。
传统云渲染数字人会在云端渲染完整视频，再推流给用户。参考资料使用 1-2 MB/s 作为传统云渲染视频流带宽，并给出传统云渲染延迟大于 3 秒。
Spatius 使用云端轻量驱动推理 + 端侧渲染。云端生成表情驱动数据；SDK 接收 10-20 KB/s 的数据流，并在用户设备上渲染数字人。客户端 SDK 在本地完成渲染和音画同步。
Spatius 可引用的核心指标包括：
- 端到端延迟：<1.5 秒，取决于 voice AI stack
- 额外数字人交互延迟：<300 ms
- 设备覆盖：99% 主流 Android、iOS、Web 设备
- 中低端硬件：参考资料中描述可稳定 30-60 fps
- 模型大小：约 5-10 MB
如果你想看具体 SDK 测试方法，请读 Avatar SDK Demo。如果你想看 HeyGen 场景拆解，请读 HeyGen Interactive Avatar vs. Alternatives。
What to look for
延迟
要确认数字是端到端还是单模块指标。Spatius 发布的端到端延迟为 <1.5 秒，取决于接入的 voice AI stack；额外数字人交互延迟为 <300 ms。
渲染架构
云端视频推流和端侧渲染的扩展方式不同。如果你的部署是高并发、移动端或低带宽场景，这个差异会直接影响体验和成本。
集成模式
数字人是 AI stack 的脸，不是大脑。生产级 SDK 应该让你继续掌控 ASR、LLM 和 TTS。
图层分离
交互式数字人经常需要叠加在课件、看板、课程内容或终端界面之上。Spatius 参考资料中明确支持原生 3D 图层分离。
规模化成本
Spatius Scale 为 $0.007/min，也就是 $0.42/hour。参考资料中传统云渲染方案常见区间为 $0.1-$0.3/min，行业平均约 $0.15/min。
Spatius
Spatius 适合构建生产级实时数字人应用的团队，尤其是需要 Web、iOS、Android 覆盖、低带宽和可预测规模化成本的场景。
参考资料中列出的场景包括：
- 语言学习
- 面试官与 HR Tech
- 陪伴与心理健康
- 车载与终端设备
- AI Hardware
Talk.AI 是参考资料中列出的已知客户案例，用于沉浸式 1v1 口语训练。
延伸阅读
相关 Cluster 指南
- HeyGen Interactive Avatar Review
- HeyGen Use-Case Breakdown
- Avatar SDK Demo
- How to Make a Hologram Out of an AI Avatar
竞品对比
Test an interactive avatar with Spatius Try the playground , or ，或 Read the docs 。