对话式 AI 的格局正在发生根本性转变。由 STT、LLM 和 TTS 驱动的纯语音代理正在迅速进化为交互式视频数字人。对于正在构建 AI 导师、客服终端、医疗陪伴和车载系统的产品经理、CTO 和工程团队而言,增加一个可视化的数字人能够延长会话时长、增强情感信任并提升用户参与度。
然而,以实时方式赋予数字人生命也带来了严峻的工程瓶颈:端到端管线延迟、服务器基础设施成本、视频流带宽开销以及客户端设备渲染约束。
两个主流平台为这个问题提供了截然不同的技术方案:Spatius 和 LemonSlice。
-
LemonSlice 采用云端服务端 200 亿参数视频模型(
LemonSlice-2.1),在云端 GPU 上从零生成每个视频像素,并把生成好的视频实时推送到客户端。 -
Spatius 采用云边端混合架构,在云端处理音频,流式传输约 10–20 KB/s 的轻量控制数据,在受支持的客户端设备(手机、笔记本、自助终端)上直接实时渲染逼真的 3D 数字人。
本文围绕五个关键的开发者评估维度,对 Spatius vs LemonSlice 进行逐一技术对比:渲染架构、管线延迟、单位经济学、客户端设备兼容性以及数字人定制选项。
总览:Spatius 与 LemonSlice 关键差异
在深入架构剖析之前,以下矩阵概述了两个平台在关键技术维度上的对比:
| 维度 / 功能 | Spatius | LemonSlice |
|---|---|---|
| 核心架构 | 云边端混合(端侧 WebGL、Metal、Vulkan) | 云端视频模型(200 亿参数 LemonSlice-2.1;Ultra 套餐含 CWM-1) |
| 流媒体带宽 | 约 10–20 KB/s(动作数据) | 持续视频流(高清视频通常 2–5 Mbps) |
| 端到端延迟 | 可低于 1.5 秒(取决于语音链路) | 首字节 471ms,端到端 2.04s(LemonSlice 官方公布) |
| 成本(每分钟最低价) | $0.006/分钟(Scale 年付,$239/月含 40,000 分钟) | $0.133/分钟(Ultra 年付,$800/月含 6,000 分钟) |
| 客户端硬件负载 | 在支持的设备上本地渲染;请验证目标硬件 | 客户端 GPU 负载低(WebRTC 播放器),云端 GPU 负载高 |
| 数字人定制 | 库存 3D 数字人 + 自定义 3DGS 模型 | 任意单张图片(照片、插画、吉祥物、非人类角色) |
| 目标集成方式 | Web、iOS、Android 原生 SDK(@spatius/avatarkit) | 开发者 API、嵌入式组件、LiveKit / Pipecat / Agora 集成 |
维度一:渲染架构与网络带宽物理限制
Spatius 和 LemonSlice 之间的根本架构差异在于像素渲染发生在哪里。
画面在哪里生成,网络上传的是什么
两者都从同一段语音音频开始,区别在于最终发给用户的是什么。
Spatius 更轻:传的是动作数据而不是视频,带宽只有视频流的一小部分,网络变差时数字人也不容易卡住。
每路会话按:Spatius 约 10–20 KB/s(80–160 kbps),实时高清视频通常 2–5 Mbps。
LemonSlice:云端生成视频并推流
LemonSlice 依赖其专有的 200 亿参数视频模型 LemonSlice-2.1,只需一张照片就能让角色动起来。Ultra 套餐还提供角色世界模型 CWM-1,可以控制动作和情绪。用户说话后,由你自己的 STT、LLM、TTS(或 LemonSlice 托管的语音链路)生成回复音频,再由 LemonSlice 在云端 GPU 上生成数字人视频。
LemonSlice-2.1 以 20 fps 生成数字人画面。视频通过 LiveKit、Pipecat、Agora 等集成,或 LemonSlice 的嵌入式组件,接入实时会话,经公共互联网发送到用户的浏览器或移动应用。
这让 LemonSlice 无需客户端渲染能力就能驱动任意图片,但每一路通话都是一条持续的视频流。实时高清视频流每路通话通常需要 2 到 5 兆比特每秒(Mbps)。在移动连接或高并发企业 Wi-Fi 网络下,流式传输完整视频会造成网络拥塞、数据包丢失和视频掉帧。
Spatius:云边端混合架构
Spatius 彻底消除了服务端视频渲染。Spatius 并非在云端生成庞大的视频像素,而是以云边端混合系统的方式运行。
云端基础设施接收输入语音音频,运行轻量的音频到数字人引擎,提取唇形同步控制数据和面部动画系数。这一控制流仅需 约 10–20 KB/s 的带宽,只是持续视频流所需带宽的一小部分。
在客户端一侧,Spatius SDK(AvatarKit)使用原生图形 API——Web 端 WebGL/WebGPU、iOS 端 Metal、Android 端 Vulkan——在支持的设备 GPU 上本地渲染 3D 数字人。如需进一步了解该架构如何降低带宽开销,参阅详细的端侧边缘渲染 vs 云端视频流分解。
核心要点:LemonSlice 流式传输云端 GPU 生成的繁重视频帧(2–5 Mbps)。Spatius 流式传输轻量运动信号(约 10–20 KB/s)并在本地渲染像素,对带宽的要求低得多。
维度二:端到端延迟与抖动韧性
在对话式 AI 中,延迟是导致用户流失的最大因素。如果数字人在用户说完话后需要 3 到 5 秒才能做出反应,交互体验就会显得不自然甚至尴尬。
端到端对话延迟在四个独立阶段中累积:
-
STT(语音转文字):约 200ms – 400ms
-
LLM 首 Token 时间:约 300ms – 800ms
-
TTS(文字转语音):约 200ms – 400ms
-
数字人推理与帧传输:可变
一次回复,逐步拆开看
前三步两家完全一样,区别从回复音频生成之后才开始。
动画只示意每一步的先后顺序,方块宽度和亮起间隔不代表实际耗时。STT、LLM、TTS 的区间为常见参考范围。两个端到端数字来源和测试条件不同,请在自己的技术栈上实测。
LemonSlice 延迟特征
LemonSlice 官方公布的数据是 首字节 471ms、端到端 2.04 秒,其技术报告称从 p75 到 p99 都是最快的实时数字人。这些是厂商自己公布的数字,实际端到端延迟仍取决于你的 STT、LLM、TTS、部署区域和网络。
此外,由于 WebRTC 视频流依赖连续帧传输,蜂窝网络上的网络抖动可能导致视频画面冻结或音视频不同步。
Spatius 延迟特征
Spatius 专为实时对话响应性优化。Spatius 音频到数字人引擎直接从 TTS 管线(如 ElevenLabs、OpenAI Realtime 或 Deepgram)接收流式音频缓冲,并在近乎实时的情况下输出同步的 3D 面部动画数据。
Spatius 不在云端生成视频,响应链路里少了云端视频渲染这一步,搭配优化过的语音链路,端到端延迟可低于 1.5 秒。具体数字取决于你的 STT、LLM、TTS 和网络,应在自己的技术栈上实测。此外,由于约 10–20 KB/s 的驱动流内置载荷冗余,移动网络上的少量数据包丢失不会导致视频卡顿;客户端 SDK 能够在丢包之间平滑插值面部运动。
抖动韧性归根结底取决于每条数据流需要多少带宽才能不断流。下图让两条数据流跑在同一条波动的网络上。
网络波动时,两种数据流分别会怎样
在图上左右移动查看,或让它自动播放。两条数据流面对的是同一条网络。
网络曲线为示意数据,不是实测。图中只比较两种数据流各需要多少带宽,不涉及编码、缓冲和恢复机制。纵轴为对数刻度。
维度三:价格与单位成本
对于扩展到数千并发用户的商业 AI 应用,单位经济学决定业务可行性。
LemonSlice 成本模型
用 200 亿参数模型生成实时视频,每一路活跃会话都要占用云端 GPU,LemonSlice 把这部分成本计入按分钟计费的套餐。目前的自助套餐如下:
| LemonSlice 套餐 | 月付价格 | 包含分钟数 | 超出每分钟 | 并发通话 |
|---|---|---|---|---|
| 自助套餐 | ||||
| Starter | $8 | 41 | $0.22 | 3 |
| Creator | $40 | 220 | $0.19 | 5 |
| Professional | $100 | 610 | $0.19 | 7 |
| Scale | $240 | 1,463 | $0.19 | 10 |
| Ultra | $960 | 6,000 | $0.18 | 20 |
所有自助套餐都包含 LemonSlice-2.1、API 接入、不限数量的数字人,并支持自带大模型和语音模型。如果使用 LemonSlice 托管的数字人(含 STT、LLM、TTS),每分钟另加 $0.08–$0.09。面向高用量消费级应用的 CWM-1 Lite 标价每分钟 $0.048 起,需要预约演示后开通。通话从发起请求到结束全程计费,空闲时间同样计费。各套餐的详细说明见 LemonSlice 定价解析。
Spatius 成本模型
通过将像素渲染卸载到边缘设备,Spatius 大幅降低了基础设施开销。云端服务器只需处理轻量的音频到动作数据流,而非渲染视频帧。
Spatius 以透明、固定费率的订阅套餐将这些基础设施节省直接传递给开发者:
| Spatius 套餐 | 月付价格 | 年付(折合每月) | 每月分钟数 | 折合每分钟(月付) | 并发会话 |
|---|---|---|---|---|---|
| 订阅套餐 | |||||
| Free | $0 | $0 | 100 | 免费 | 2 |
| Starter | $19 | $16 | 2,000 | $0.0095 | 4 |
| Builder | $49 | $39 | 5,500 | $0.0089 | 8 |
| Growth | $149 | $119 | 18,000 | $0.0083 | 22 |
| Scale | $299 | $239 | 40,000 | $0.0075 | 40 |
按用量对比
拖动选择你预计的每月分钟数。默认显示每月 40,000 分钟(约每天 1,300 分钟),也就是 Spatius Scale 套餐的上限。
按你的用量,每月数字人费用是多少
拖动到你预计的每月分钟数,两边都按该用量下最便宜的公开套餐计算。
按 2026 年 11 月 4 日核验的官网公开价格计算,只含数字人渲染层(大模型和语音自行接入)。年付为年付价格折合每月。LemonSlice 的企业折扣和需通过销售开通的低价 CWM-1 Lite 模型未计入。各套餐并发数不同。
如需全面对比行业主流供应商,参阅 AI 数字人单位经济学分解。
专家提示:在为语音和视频 AI 代理建模单位经济学时,应计算规模化场景下的每分钟计算成本。边缘渲染将你的利润率与云端 GPU 价格波动解耦。
维度四:客户端设备兼容性与边缘部署
在选择数字人框架时,需要考虑应用的部署场景。
WebRTC Web 播放器 vs 原生 SDK
由于 LemonSlice 输出标准 WebRTC 视频流,任何能运行 H.264/VP8 视频播放器的设备均可显示数字人。这使得 LemonSlice 易于通过嵌入式组件或 API 集成到简单的网页中。但每个终端都需要足够稳定的带宽来承载持续的视频流。
Spatius 提供跨平台 SDK,包括 Web(@spatius/avatarkit)、iOS(AvatarKit.xcframework,基于 Metal)和 Android(ai.spatius:avatarkit,基于 Vulkan)。
Spatius 渲染引擎可在支持的硬件上运行,包括中端智能手机、iPad 平板、桌面显示器、自助交互终端和车载信息娱乐芯片;具体性能和 GPU 要求应在目标设备上验证。
维度五:数字人定制与视觉保真度
两个平台的数字人创建工作流有显著差异。
LemonSlice:零样本 2D 图像动画
LemonSlice 最大的优势在于其零样本图像动画能力。开发者或创作者可以上传单张 2D 照片、插画、卡通或品牌吉祥物(非人类角色也可以),LemonSlice-2.1 即刻从中生成一个生动的对话视频数字人。
它会自动预测头部转动、眨眼、面部表情和手势。这使得 LemonSlice 非常适合需要从任意图像上传中即时生成数十个独特角色,而无需预先 3D 建模或训练的应用场景。
Spatius:逼真 3D 数字人与 3DGS 模型
Spatius 专注于适合长期、多会话应用场景的逼真 3D 数字人。Spatius 提供免费库存 3D 数字人库,具备逼真的面部几何结构、真实光照效果和精准的唇形对齐。
对于企业品牌和定制角色,Spatius 支持 3D Gaussian Splatting(3DGS) 模型集成。通过训练自定义 3DGS 模型,开发者可以部署超写实、品牌专属的数字人,在所有用户会话中保持完美的 3D 一致性、体积光照和自然的镜头视角。
决策框架:何时选择哪个平台
为帮助您总结选择决策,请参考以下场景指南:
1. **你需要零样本 2D 照片动画**:你希望用户上传任意照片、卡通或插画,并立即开始视频通话,无需创建 3D 模型。 2. **你优先考虑服务端简单性**:你倾向于接收预渲染的 WebRTC 视频流,不想集成原生客户端图形 SDK。 3. **你的用户严格使用高带宽桌面连接**:你的受众拥有不受限的 Wi-Fi 或高速有线网络,其中 2–5 Mbps 的视频流带宽不是瓶颈。
1. **你需要端侧实时交互**:请在目标条件下测量完整语音与数字人链路。 2. **你需要可预测的单位经济学**:部署前应比较当前套餐价格和等价工作负载。 3. **你在移动端、Web、自助终端或边缘设备上部署**:请在代表性硬件和网络上验证 Web、iOS 和 Android SDK。 4. **你想要逼真的 3D 数字人**:你需要高保真的库存数字人或自定义 **3D Gaussian Splatting(3DGS)** 数字人模型。
入门与后续步骤
准备为你的应用技术栈评估实时 AI 数字人渲染了吗?
-
在浏览器中测试实时延迟:在 Spatius 交互式体验区 中直接测试运行边缘渲染的库存数字人。
-
浏览开发者文档:在 Spatius SDK 文档 中获取 Web、iOS 和 Android 的快速入门集成指南。
-
查看技术基准:以产品文档和公开可复现的测试数据评估延迟与性能指标。
立即开始使用 Spatius——免费套餐无需信用卡,原生 Web、iOS & Android SDK 全平台支持。 免费开始,或查看价格,或联系销售。
常见问题
Spatius 和 LemonSlice 的主要区别是什么?
最根本的区别在于像素渲染的位置。LemonSlice 用 200 亿参数的 LemonSlice-2.1 模型在云端 GPU 上生成每一帧视频,再以实时视频流推送到客户端(通常 2–5 Mbps)。Spatius 采用云边端混合架构:云端处理音频并提取轻量动画控制数据(约 10–20 KB/s),客户端设备使用原生图形 API(WebGL、Metal、Vulkan)在本地渲染数字人。这一架构差异影响了其他所有关键指标——延迟、成本、带宽需求和部署灵活性。
哪个平台延迟更低?
Spatius 不在云端生成视频,减少了需要传输的内容。音频到数字人引擎直接从 TTS 管线接收流式音频缓冲,并输出同步的 3D 面部动画数据;端到端延迟仍取决于完整语音管线、网络和客户端设备,应按目标路径测量。LemonSlice 官方公布首字节 471ms、端到端 2.04 秒。建议用同一套语音链路和网络条件对两家实测后再做决定。
两个平台的成本各是多少?
Spatius 按套餐定价:年付 Scale 每小时 $0.36 起(每分钟 $0.006),Starter 套餐每分钟 $0.0095。LemonSlice 自助套餐从每月 $8(41 分钟)到每月 $960(6,000 分钟),超出部分每分钟 $0.18–$0.22。按公开标价,每月用 40,000 分钟时,Spatius Scale 为每月 $299(年付 $239),LemonSlice Ultra 约为每月 $7,080(未计企业折扣)。
LemonSlice 能在移动端或低带宽连接上运行吗?
LemonSlice 需要稳定的网络连接,因为每路活跃会话都是一条持续的视频流(通常 2–5 Mbps)。在移动网络或拥塞网络上,可能出现丢包、画面冻结或音画不同步。Spatius 只传输约 10–20 KB/s 的控制数据,更适合移动网络和其他带宽受限的环境;上线前请在目标网络上验证。
两个平台各支持哪些数字人定制选项?
LemonSlice 的零样本 2D 图像动画是其核心优势——上传单张照片、插画或卡通即可即时生成带有预测头部运动、眨眼和表情的对话数字人,非常适合需要从任意图像生成大量独特角色的应用。Spatius 专注于具有逼真面部几何结构的 3D 数字人,适合长期、多会话使用场景,提供免费库存 3D 数字人库,并支持自定义 3D Gaussian Splatting(3DGS)模型集成,可部署企业专属的超写实数字人,具有完美的 3D 一致性。
哪个平台更适合边缘部署(如自助终端或嵌入式设备)?
Spatius 专为边缘部署而构建。其原生 Web、iOS 和 Android SDK 在受支持的硬件上本地渲染数字人。由于云端只传输约 10–20 KB/s 的控制数据,Spatius 适合持续视频流不现实的部署场景;上线前请验证目标网络和设备。LemonSlice 输出的是云端渲染的视频流,每个终端都需要稳定带宽;针对实体展陈场景,它通过销售提供高分辨率的 Pro 模型。

