客户要做AI数字人，但预算不够：我们最后为什么选择Live2D？

客户希望在一个大型显示屏上放一个虚拟人物。

用户站在屏幕前说话，系统先识别他说了什么，
再把问题发送给 AI，由 AI 生成回答，然后通过语音把答案播放出来。

与此同时，屏幕里的虚拟人物还要有
眨眼、呼吸和嘴型变化，
看起来就像真的在跟用户交流。

AI 部分当时接入的是 DeepSeek API。

一、最开始想到的是3D数字人

我们最初也研究过 Three.js 以及 3D 模型这一类技术路线。

从视觉效果上来说，完整3D数字人当然更强。

如果继续往上做，还可以增加动作捕捉、高精度表情、复杂身体动作等能力。

但问题很快出现了：

这个数字人只是整个大型项目里的一个展示功能，
并不是核心业务。

如果为了这一个功能单独投入高精度建模、骨骼、动画和复杂嘴型，
成本明显超过了客户对这个功能本身的预算。

所以这个功能一度没有继续往下做。

不是因为做不了，而是因为当时的方案太重。

二、后来我们重新拆了一遍需求

这个项目真正需要的到底是什么？

重新把需求拆开以后，其实只有几件事情。

但是客户并没有要求：

需求重新定义以后，整个技术方案的空间一下子就打开了。

三、虚拟主播给了我们一个新的思路

这个功能研究了一段时间以后，
技术人员在 B 站看虚拟主播时突然想到：

很多虚拟主播并不是完整3D模型，而是使用 Live2D。

一张二维人物原画，经过分层和参数绑定以后，
就可以实现：

而这些能力，恰好就是这个大屏AI互动功能真正需要的。

四、成本一下就被压下来了

新方案的人物制作流程变成了：

这样就不需要完整3D人物建模。

当时我们找专门做 Live2D 模型的人员定制，
一个满足这个项目基础展示需求的模型和基础动画，
大约 2000元左右 可以完成。

但和完整3D数字人的路线相比，
成本已经不是一个量级。

五、完整AI数字人交互链路怎么搭？

人物展示解决以后，剩下的AI交互其实就比较清楚了。

Live2D角色平时只需要保持轻微呼吸和随机眨眼。

当AI开始回答时，
再根据语音播放状态或者当前音量控制嘴巴开合。

用户最后感受到的，就是一套完整的交互：

六、嘴型没有必要第一阶段就做到影视级

如果要求非常高的拟真度，
可以对TTS音频继续进行音素分析。

不同发音再映射不同嘴型，
这样可以让口型和实际发音更加接近。

但是这个项目是大屏互动展示，并不是影视制作。

用户真正需要感知的是：

所以第一阶段完全可以直接根据语音的音量大小，
控制人物嘴巴张开的程度。

再加上一些平滑处理，
在这个应用场景里已经能够获得不错的视觉效果。

七、真正重要的不是技术高级，而是方案匹配

如果客户需要的是：

那么Live2D当然不够。

这种项目应该考虑完整3D数字人或者专业数字人平台。

但这个项目真正需要的只是：

在这种情况下，Live2D已经足够。

其实更应该先问：

把这些问题想清楚以后，很多项目的成本其实会下降很多。

八、这套低成本AI数字人方案适合哪些场景？

只要核心需求是：

“屏幕上有一个虚拟角色，可以和用户进行AI语音问答。”

同时预算又不足以支持高精度3D数字人，
就可以考虑类似的轻量化方案。

九、这个Demo给我的一个启发

企业项目里，最贵的方案不一定就是最好的方案。

我们最开始也考虑过 Three.js 和完整3D数字人，
但后来发现客户真正需要的能力，
其实只有眨眼、呼吸、嘴型和AI语音交互。

于是技术团队把方案切换到了 Live2D。

最后用更轻的成本，把客户真正需要的效果做出来。

写在最后

很多企业数字化项目都会遇到类似的问题：

客户描述的是一个很大的概念，
但实际真正需要的，可能只是其中几个能力。

如果直接按照这个概念的最高规格开发，
很容易把项目越做越重、越做越贵。

更合理的方式是：

这次项目最后形成的技术链路其实很简单：

它不是最复杂的数字人方案，
但对这个项目来说，
是成本、效果和可落地性之间更合适的平衡。