D-ID 是一个同时覆盖异步数字人视频生成和实时 Visual Agents 的 AI Avatar 平台。它适合需要托管式数字人工作流、可嵌入智能体，或者同时需要两者的团队。已经拥有完整对话栈的团队，则应先比较 D-ID 的托管式流水线和专用视觉层，再决定架构。
最后核验：2026 年 9 月 16 日。D-ID 的套餐、Avatar 代际和 Agent 能力可能变化，采购前请以官方控制台和合同为准。
D-ID 是什么？
D-ID 可以把图片、视频、文本和音频转换为会说话的数字人。当前 D-ID API Quickstart 明确区分了实时对话智能体和异步生成视频两条产品路径。
因此，“D-ID AI avatar generator” 可能指两种完全不同的产品：
| 产品路径 | 输出 | 典型需求 |
|---|---|---|
| Avatar 视频生成 | 根据图片、脚本、音频或 Avatar 渲染完成视频 | 营销、培训、本地化、演示和可重复的一对多内容 |
| 实时 Visual Agents | 通过数字人进行实时视频对话 | 客户互动、流程引导、客服、入职和交互式应用 |
如果用户需要打断、提出开放问题或调用业务工具，应评估实时 Agent；如果最终交付是固定视频，则应评估 Video API。
D-ID AI Avatar Generator 如何工作？
异步视频流程中，Photo Avatar Quickstart 会把源图片和脚本发送到 Talks API，然后轮询直到渲染完成。其他 Avatar 代际则加入更高质量 Presenter、自定义形象、表情控制和视频翻译。
实时交互流程中，D-ID 实时架构 可以包含语音识别、轮次检测、LLM、可选知识库、TTS 和 Avatar，最终通过 WebRTC 把数字人视频流传给用户。
| 实时组件 | D-ID 文档中的默认责任 | 买家需要确认什么 |
|---|---|---|
| 语音识别 | D-ID | 现有语音栈能否继续使用 |
| 轮次检测 | D-ID | 如何处理打断、停顿和背景语音 |
| LLM 与知识库 | 可配置、可选 | 是否能使用现有模型、工具和 RAG |
| TTS | 可配置、可选 | 供应商、声音授权、语言和成本 |
| Avatar 渲染 | D-ID | 视频流质量、首帧和带宽要求 |
| 客户端体验 | Embed 或自定义 SDK UI | 产品需要实现哪些状态与控制 |
它并不像“完全封闭的对话栈”这一标签那么简单。D-ID 文档说明，可以不使用平台内置的 LLM 和 TTS，直接通过实时连接发送音频或文本。但这条路径仍应针对计划使用的 Avatar 代际和 SDK 做实测。
D-ID Agents、SDK 与嵌入方式
Agent 创建 API 把 Presenter、声音、行为指令和可选知识库组合成 Agent。产品随后创建受域名限制的 client key，并通过 D-ID Client SDK 开始实时对话。
D-ID 也提供可嵌入 UI，适合快速上线；Agents SDK 则给前端更多控制。当前 SDK 文档列出 Photo、Video 和 Expressive Avatar，不同代际支持的能力和 streaming options 并不完全相同。
使用既有语音智能体的团队要特别检查边界。D-ID 已经记录 ElevenLabs Agent 集成，但一个具名集成不能证明所有模型、工具和编排方案都可以无差别替换。
D-ID 如何计费？
D-ID 分开提供 Studio 订阅、API 套餐、生成视频用量和 Agent 用量，因此单一月费无法准确描述成本。现有的 D-ID 定价指南 记录套餐，并统一主要计费单位。
对于 Agents，官方 speaking-time 计费说明 当前写明：每条最长 15 秒的生成回复消耗 0.5 credits，之后每增加一个 15 秒区间再消耗 0.5 credits。它按 Agent 的实际说话时长计费，而不是整段 session 的墙钟时间。
D-ID FAQ 还说明了生成视频的 credit 逻辑，并指出 streaming 客户的处理方式不同。比较供应商前，应计算：
- 每生成一分钟和每个 Agent 说话分钟的 credits；
- 短回复的 15 秒取整影响；
- 包含量和超额用量；
- 并发和 session 限制；
- Avatar 制作、声音、翻译和知识库成本；
- 重试、重连和失败结果的成本。
最终模型应以 D-ID API 定价页 和实时结账页为准。除非合同明确说明，否则不要把 Studio 和 API 的额度当成同一资源池。
D-ID 的优势与限制
D-ID 的优势是产品覆盖面和相对成熟的开发者接口。团队可以生成视频、创建托管式 Visual Agent、嵌入预制界面，或者使用 Client SDK。这使它同时覆盖内容生产和应用开发。
同样的覆盖面也带来范围混淆。“D-ID” 可能指 Studio、Video API、实时 Agent、某一代 Presenter，或者 SDK；它们的能力与计费不同。比较方案前，应写清楚具体 Avatar 类型、API、streaming 模式和计费单位。
G2 等独立评价页面可以补充客服和易用性信息，但生产适配仍取决于你自己的设备、语言、会话长度和并发测试。
D-ID 与 Spatius 的区别
D-ID 和 Spatius 在实时数字人领域有重叠，但产品边界不同。完整的供应商对比可阅读 Spatius vs D-ID，更多候选可查看 D-ID Alternatives。
| 决策维度 | D-ID | Spatius |
|---|---|---|
| 产品范围 | 生成式 Avatar 视频和托管式实时 Visual Agents | 为现有 AI 对话提供实时数字人基础设施 |
| 实时流水线 | 可包含 STT、轮次检测、LLM、知识库、TTS、Avatar 和 WebRTC | 由产品团队已有的音频流水线驱动 |
| 渲染与交付 | 把数字人视频流传给客户端 | 传输紧凑控制数据，在客户端渲染 Avatar |
| 集成方式 | Studio、API、Embed 和偏 Web 的 Client SDK | Web、iOS、Android SDK 以及现有智能体集成 |
| 更适合 | 需要 D-ID 视频生态或托管式 Visual Agent 的团队 | 希望保留 STT、LLM、TTS、工具、编排和客户端体验的团队 |
Spatius 不能替代 D-ID 的完整创意视频套件。当需求是为实时智能体增加视觉层时，两者才是更直接的比较。使用 LiveKit 的团队可以查看 Spatius LiveKit 集成。
选择 D-ID 前应测试什么？
对 D-ID 和其他候选使用同一套验收矩阵：
- 测量首帧可见响应、打断恢复和重连。
- 测试最终选定的 Avatar 代际，因为质量和 SDK 行为可能不同。
- 确认现有 LLM、TTS、工具、知识库和审核能否保留。
- 测试移动浏览器、弱网、丢包、后台切换和设备发热。
- 单独模拟短回复，因为 15 秒 credit 取整会改变有效成本。
- 核验并发、rate limits、域名限制、数据保留、授权和生产支持。
Avatar SDK 评估指南 提供了一套可重复使用的测试流程。
D-ID 常见问题
D-ID 是视频生成器还是实时 AI Avatar 平台？
两者都是。D-ID 提供异步 Avatar Video API 和实时 Visual Agents，所需架构与计费模型取决于最终输出。
D-ID 能连接现有 LLM 或语音智能体吗？
D-ID 文档包含可配置的 LLM 和 TTS、Custom Model、直接音频或文本输入，以及 ElevenLabs 集成。具体边界应结合 Avatar 代际和 API 核验。
D-ID 有 SDK 吗？
有。D-ID 为实时 Agents 提供 Client SDK 和嵌入式 UI，同时提供 Agent 和 Video 工作流的 REST API。
D-ID Agent 如何计费？
当前帮助文档按生成语音的 15 秒区间计费，每个区间消耗 0.5 credits。套餐价格和包含额度应在官方定价页复核。
先决定需要平台，还是只需要视觉层
如果生成视频与托管式 Visual Agents 应由同一供应商提供，D-ID 是合理候选。如果产品已经拥有完整对话栈，则应单独评估 Avatar 层。
根据目标设备、说话时长分布、并发和集成要求，对比独立 Avatar 层。 申请演示, or ，或查看 Spatius 定价.。