一句话定义：Live Avatar（实时数字人）指的是一张能边听、边说、边做表情的合成面孔——它不是提前渲染好的视频，而是随对话被实时驱动的虚拟形象。近两年 Google 的 Gemini Live 这类实时多模态接口开始把“语音对话 + 虚拟人画面”打包在一起，让这件事从演示走向可用。具体支持的语言、延迟和接入方式，以官方页面为准。
把它想成一次视频通话：对面那个人在听你说话、会点头、会插嘴，只不过那张脸是算出来的。要做到“像通话”，难点不在画得像，而在三件事。
第一，先有声音，再有脸。 语音合成（TTS）输出音频流的同时，会附带时间戳信息：哪个音素（phoneme）在什么时刻出现、持续多久。口型不是靠“听”音频去猜的，而是直接拿到“此刻该发哪个音”的指令，再映射到对应的口型单元（viseme）。这是嘴型能对上的根本原因——对齐是沿时间轴做的，不是逐帧比对画面。
第二，表情和头部动作走另一条轨道。 眨眼、挑眉、轻微点头这些通常由独立模块驱动，按语义和停顿触发，比如说到疑问句时眉毛上抬、句尾稍作停顿。分轨的好处是：口型偶尔出问题，不会连带整张脸一起崩掉。
第三，延迟和音画同步。 真人对话的舒适区在几百毫秒内。做法一般不是等一整句话说完再生成，而是把语音切成很短的片段流式输出，渲染端收到一块就画一块，同时用统一时钟防止声音和画面越走越偏。还要支持打断（barge-in）：你中途插话，它得停下来、换个表情、重新开口——这要求对话模型和渲染层都能被随时打断和重入。
和容易混淆的几个概念对比：
| 类型 | 驱动方式 | 响应速度 | 能否被打断 | 典型用途 |
|---|---|---|---|---|
| Live Avatar | 实时流式驱动 | 亚秒级到秒级 | 能 | 客服、陪练、直播 |
| 预渲染数字人 | 提前生成视频 | 只是播放 | 不能 | 宣传片、课件 |
| 视频生成模型 | 一次性生成片段 | 分钟级 | 不能 | 短片创作 |
区别的核心是“闭环”：预渲染数字人和视频生成模型都是一次性产出内容，观众只能看；Live Avatar 处在一个持续的输入—输出闭环里，所以它必须回答“被打断了怎么办”。
对从业者来说，这条链路的工程重点通常是三处：TTS 与口型时间戳的对齐精度、端到端延迟预算怎么分（网络、模型、渲染各占多少）、以及降级策略（网络抖动时先保音频还是先保画面）。对普通职场人来说，它现实的用途是客服、销售陪练、多语言培训这类高频重复的面对面场景——同一个人设可以换语言、换话术，不用重拍。
同时别忘了它的另一面：一张实时生成的脸，天然适合被滥用。肖像授权、内容标识、留存与审计，这些要在一开始就设计进去，而不是上线后再补。