数字人面部实时肌肉模拟：离‘活人感’还差最后三毫米

上周跑WAIC的展台，脚都磨出泡的时候，我在一个虚拟人厂商的展架前停了十分钟。

那个数字人站在屏幕里，穿着定制的西装，说话的口型跟实时语音流严丝合缝。我故意对着摄像头做了个单侧挑眉加撇嘴的搞怪表情。

它卡了半秒。

然后两边眉毛一起抬了起来。

我当时就笑了。

那是我第三次在同类型展台遇到一模一样的bug——号称端侧实时渲染的数字人，在遇到非预设的微表情组合时，要么直接僵住，要么把简化后的肌肉绑定逻辑直接暴露在观众面前。很多人看完觉得数字人“假”，根本不是因为皮肤材质做的不好，是肌肉的运动逻辑从根上就不对。

先拆穿行业的“遮羞布”：什么才算真的“实时肌肉模拟”？

现在行业里吹的“实时面部模拟”，十有八九是偷换概念。

传统的BlendShape形状混合方案，就是建模师手工在三维模型上做几十到几百个预设表情——比如“抬左眉”“撇嘴”“微笑”，驱动系统只需要实时计算每个预设表情的权重，把不同的形状按比例混合在一起，就能生成看起来动态的表情。这套方案用了快二十年，从早期的游戏角色到现在的直播数字人，本质上从来没变过。你把混合的速度提到60帧，把预设的表情数量加到500个，它还是“搭积木”的逻辑，跟真实的肌肉运动半毛钱关系都没有。

真的基于解剖学的实时肌肉物理仿真，逻辑完全不一样。首先要把人脸上的42块表情肌的起止点、收缩方向、拉力大小，甚至不同皮下脂肪厚度对肌肉形变的影响，全部按照真实的解剖结构做进三维模型里。驱动的时候根本不需要预设任何表情——只要给摄像头捕捉到的面部动作对应的肌肉收缩信号，系统就会实时计算每一块肌肉收缩的时候，会拉扯哪部分皮肤，会形成什么样的纹路，甚至会因为肌肉的联动，带动相邻的软组织产生什么样的微小形变。

举个最直观的例子：真实的人做一个假笑的动作，只有嘴部的肌肉在动，眼角的眼轮匝肌是不会收缩的，所以假笑的时候眼角不会出现自然的鱼尾纹；但如果是发自内心的笑，眼轮匝肌会跟着一起收缩，眼角的纹路是自然挤出来的。这种联动关系，靠手工做BlendShape是根本覆盖不全的——你要把所有可能的肌肉联动组合都做成预设形状，少说要做上万个模型，端侧设备根本跑不动。

这也是为什么很多数字人看着“僵”：因为预设的表情是孤立的，没有真实的肌肉联动，你做个抬眉的动作，它的额头纹路是浮在表面的，不会因为肌肉的拉扯，连带着眼尾的皮肤一起动。太假了。

现在的玩家们，都卡在哪一步？

我跟圈内几个做驱动算法的工程师聊过，大家的共识是：现在的实时肌肉模拟，技术上已经能做出来了，但是离大规模商用还差好几个坎。

首先是算力的问题。最开始这套物理仿真的方案，是影视行业先用起来的——比如《阿凡达》系列里的纳美人面部表情，就是用离线的肌肉仿真算出来的，一帧画面的渲染时间要好几分钟，根本不可能实时。直到最近两年，英伟达在Omniverse里推出了针对数字人肌肉仿真的优化模块，才能做到单张消费级显卡跑30帧的实时效果。

但就算是这样，这套方案对硬件的要求还是太高了。你要想在手机上跑，就得把本来需要GPU集群计算的仿真模型，通过蒸馏、量化的方式压缩到端侧的NPU上，压缩完的模型精度会掉多少，谁心里都没底。

然后是非常现实的商业矛盾。我之前碰到个创业团队的技术负责人吐槽，说他们按照真实的解剖学逻辑做了套肌肉仿真模型，上线给客户演示，结果被客户骂了——“你这个数字人笑的时候，为什么眼角的纹路这么深？我们要的是上镜好看的标准微笑，不是真实的人笑的时候皱巴巴的脸。”

最后没办法，他们只能把模型里的眼轮匝肌收缩强度调低了30%，把皮肤的粗糙度参数改高，让纹路看起来浅一点，才过了客户的验收。

你看，技术上的“真实”，有时候跟商业上的“好用”根本是两码事。现在大部分客户要的不是跟真人一样的数字人，是好看、不出错、符合大众审美的数字人，这种需求下，谁会花大成本去做实时肌肉模拟？用BlendShape做的预设表情，调得好看又稳定，成本还低，何乐而不为？

真正落地的时候，没人关心你的技术参数

我之前做过一个调研，问了身边二十个经常看直播的用户，对现在的直播数字人有什么不满。所有人的答案都出奇的一致：“看着像个机器人，说话的时候表情跟内容对不上。”

为啥对不上？因为现在的直播数字人，大多是把语音转成对应的口型，然后搭配几个预设的“开心”“疑惑”“惊讶”的表情模板，根本没有实时的肌肉反馈。你说“这个产品今天打五折”，它就切到“开心”的模板笑一下；你说“大家有问题可以打在公屏上”，它就切到“疑惑”的模板歪一下头。久了谁都能看出来假。

如果实时肌肉模拟真的落地了，第一个被颠覆的就是直播数字人的成本结构。以前做一个定制的高保真数字人，建模师要花两三周的时间，手工调几百个BlendShape的权重，光这部分成本就要十几万。现在只要把对应的面部肌肉参数输进仿真系统，所有的表情联动、皮肤纹路、微表情变化都是自动生成的，建模的时间能压缩到两三天，成本直接砍到原来的十分之一。

更有想象力的场景其实是在交互端。比如以后的车载数字人，当你开长途累了打哈欠的时候，它能实时做出跟着打哈欠的表情；当你因为堵车皱眉头的时候，它能同步做出安抚的微表情。这种基于实时肌肉模拟的情绪反馈，是以前的预设表情根本做不到的。

但随之而来的风险也一点都不小。现在的人脸支付、人脸身份认证，本质上是识别你面部的静态结构，但是如果实时肌肉模拟的技术成熟了，别人只要拿到你的面部三维结构数据，就能实时驱动一个跟你一模一样的数字人，连肌肉运动的节奏、表情的细微变化都跟你毫无差别，摄像头根本分不出来对面是真人还是数字人。之前有个实验室做过测试，用这套实时驱动的数字人打视频电话，连续聊10分钟，有六成的测试者没发现对面是AI。

这哪是数字人啊，这是给深度伪造开了个直通车。

很多厂商现在吹，说再过一两年实时肌肉模拟就会成为消费级数字人的标配。我反正不信。

3年之内，这个技术根本下不到手机端。现在就算是旗舰手机的NPU，要同时跑大语言模型的推理、摄像头的实时捕捉、肌肉仿真的物理计算，算力根本不够。你总不能让用户开个数字人，手机烫得能煎鸡蛋吧？

真要等这个技术普及，大概要到5年左右。等端侧的NPU算力摸到100TOPS的门槛，等仿真模型的压缩技术再成熟个两代，那个时候的数字人，才真的能做到你做什么表情，它就跟着做出什么表情，连你笑的时候苹果肌抬多高、法令纹深多少，都跟你同步。

不过也别太乐观。就算技术真的到了那一步，数字人还是会有“假”的地方。毕竟真实的人脸上的微表情，很多是不受自主控制的——比如你紧张的时候会不自觉的舔下嘴唇，你撒谎的时候眼珠会不自觉的往旁边瞟，这些行为层面的细节，靠肌肉模拟是算不出来的，还得靠长期的行为数据训练才能补上。

离真正的“活人感”，哪有那么容易到啊。