什么是空间化AI数字人？能看、能指、能讲解的AI数字人
空间化AI数字人是一种AI演示者，其眼神、指向、手势、身体朝向和时机都与所讲解的视觉内容紧密关联。它不再是简单地在幻灯片、图表、产品或界面旁边进行讲解，而是能够引导观众关注特定信息，并将其行为与讲解内容协调一致。
AI数字人技术在真实感、身份一致性、表情和全身动作方面已取得重大进展。例如，HeyGen 的 Avatar V 专注于在不同角度、外观和更长的视频中保持身份一致性，而 Synthesia 则将部分数字人从“播报式”讲解扩展到可执行提示动作。
然而，讲解视觉信息会带来另一个问题：演示者需要知道观众应该看什么、信息出现在哪里以及何时引导观众关注。
隆重推出 Leadde 空间化AI数字人——一款专为与讲解内容互动而设计的AI演示者。只需一张图片，即可创建一个能够看向视觉目标、指向相关内容，并将其手势与讲解协调一致的演示者。
空间化AI数字人 专注于演示者与场景之间的这种关系。本指南将解释“空间化”的含义、空间定位的工作原理、空间化AI数字人与传统及交互式数字人的区别、其应用场景，以及如何评估其互动是否真正准确。
什么是空间化AI数字人？
空间化AI数字人是一种AI视频演示者，旨在与周围信息保持有意义的空间关系。
想象一个数字人正在讲解发动机图。当旁白提到进气阀时，传统数字人可能会继续看着镜头，同时做出一个泛泛的讲解手势。而空间化AI数字人则可以转向该阀门，看向它，指向其位置，并将该动作与视觉高亮效果协调一致。
重要的变化不仅仅是数字人会移动。它的动作具有视觉参照物。
一个有用的速记法是：
观察 → 定位 → 指向 → 讲解
| 动作阶段 | 传统数字人 | 空间化AI数字人 |
| 旁白提示 | “看进气阀……” | “看进气阀……” |
| 眼神 | 直视镜头 | 转向屏幕上的特定阀门 |
| 手势 | 做出泛泛的手部动作 | 精确指向进气阀的坐标位置 |
| 协调性 | 说话和动作独立进行 | 与视觉高亮效果完美同步 |
是什么让AI数字人“空间化”？
“空间化”不一定意味着3D、VR、AR、元宇宙数字人，或在虚拟世界中移动的数字人。
在这里，“空间化”描述的是演示者与视觉场景之间的关系：
- 演示者正在讨论什么？
- 该信息出现在哪里？
- 演示者应该如何引导观众关注？
- 眼神或手势应该在何时发生？
手势生成方面的研究表明了这种区别的重要性。自然的伴随语音的动作可以在没有周围环境有意义信息的情况下生成；而最近的研究则探索添加场景上下文，使智能体的手势能够响应其周围空间。
因此，空间化AI数字人的定义在于其与内容相关的行为方式，而非数字人本身是2D还是3D。
空间化AI数字人的核心行为有哪些？
空间化互动可以结合以下要素：
- 场景感知
- 眼神定位
- 指向
- 身体朝向
- 指示性手势
- 语音-手势同步
- 视觉高亮同步
- 在多个视觉目标之间移动
这引出了一个重要的设计原则：
目标不是更多的动作，而是更有意义的动作。
随机的手部动作可以使数字人显得富有表现力。而引导观众关注正在讨论的精确信息的手势，则能直接促进讲解效果。
空间化AI数字人与传统及交互式AI数字人有何不同？
最明显的区别在于数字人互动的对象。
| 数字人类型 | 主要关系 | 典型行为 | 最佳应用场景 |
| 传统AI数字人 | 演示者 → 观众 | 带有泛泛的表情和手势进行讲解 | 公告、演示视频 |
| 交互式数字人 | 用户 ↔ 数字人 | 倾听并回应 | 客服、代理、对话 |
| 3D / VR 数字人 | 数字人 ↔ 虚拟环境 | 在数字空间中移动 | VR、游戏、虚拟世界 |
| 空间化AI数字人 | 演示者 ↔ 视觉内容 | 根据场景上下文进行眼神、指向、手势和讲解 | 培训、教育、演示、解说视频 |
常规AI数字人仍然很有用。例如，Leadde 支持通过照片创建数字人、全身演示、内容感知手势，以及从文档、脚本或模板创建视频。空间化AI数字人则增加了一个更具体的要求：演示者的行为应与所讲解视觉内容的位置和含义相对应。
空间化AI数字人 vs. 交互式数字人
交互式数字人通常响应的是人：
用户输入 → 数字人理解 → 数字人回应
当前的交互式数字人产品通常强调倾听、对话和实时响应。
空间化AI数字人则专注于另一种关系：
旁白 → 视觉内容 → 数字人行为 → 观众注意力
这两个概念最终可以结合。数字人可以与学习者对话，同时指向相关的图表。但对话式互动和空间化互动解决的是不同的问题。
空间化AI数字人 vs. 执行动作的数字人
执行动作的数字人也并非自动具备空间定位能力。
例如，Synthesia 允许用户创建讲解视频，然后提示同一个数字人执行简短动作，例如走向白板或将物体放在桌子上。
区别在于：
挥手 = 动作。
说“这个阀门”，找到该特定阀门，看向它，并在正确时刻指向它 = 定位互动。
因此，空间化AI数字人关注的并非数字人能否行动，而是其行动是否与特定的视觉参照物相关。
空间化AI数字人如何理解并与屏幕内容互动？
一个有效的空间化AI数字人工作流程，要求系统协调场景理解、语言、动作和时机，而非将它们视为独立的视频层。
从场景理解到空间定位
考虑以下句子：
“现在请看左侧的压力阀。”
语义理解回答的是：
这条指令意味着什么？
空间定位回答的是：
哪个可见对象是压力阀，它在哪里？
这种区别在多模态AI中变得越来越重要。例如，OpenAI 当前的视觉文档将精确的空间定位视为与通用图像理解不同的挑战，而其多模态指南则单独讨论了诸如围绕目标区域生成边界框等定位任务。(OpenAI Developers)
数字人研究正朝着类似的方向发展。2026年的 InteractAvatar 论文将有定位的人机物互动描述为一个开放性挑战，它需要环境感知以及与场景中物体进行文本对齐的互动。
区分“定位”的两种含义也很有用：
- 知识定位： AI应该使用哪些信息？
- 空间定位： 该信息指的是哪个可见对象或区域？
眼神、指向和语音如何协同工作
一个简化的空间化AI数字人流程是：
- 理解场景并识别相关对象或区域。
- 理解旁白并确定所引用的内容。
- 将引用内容定位到视觉目标。
- 通过眼神和身体朝向规划注意力。
- 选择适当的手势，例如指向或展示。
- 同步语音、动作和视觉强调。
- 当讲解转向另一个目标时，保持连贯性。
互动过程可能如下所示：
口语关键词 → 眼神转移 → 指向手势 → 目标高亮
最终的协调是关键。数字人和图形不应感觉像是放置在同一构图中的两个不相关的图层。
注意力编排：何时看向、指向或保持静止
在专业的视频工作流程中，并非手势越多越好。我将注意力编排作为一种思考空间化演示的实用方法：根据观众应该关注的位置，有意识地协调数字人的眼神、手势、旁白和视觉强调。
它包括四种状态：
- 观众模式： 在介绍、过渡或总结时看向观众。
- 参照模式： 看向或指向当前正在讲解的内容。
- 过渡模式： 在比较或序列讲解时，在不同目标之间转移注意力。
- 静止模式： 当手势不增加任何信息时，避免不必要的动作。
这引出了空间化AI数字人设计的一个重要原则：
一个好的空间化AI数字人也需要知道何时不指向。
教学智能体研究支持手势特异性很重要的普遍原则。在一项多媒体学习研究中，被展示特定指向手势的学习者比接受泛泛、不相关或无手势的对照组，对相关屏幕元素的注意力更集中，并在记忆和迁移测试中表现更好。这并不能证明每个空间化AI数字人都能提高学习效果，但它提供了将指向视为教学信号而非装饰性动作的证据。
为什么空间化AI数字人对培训、教育和解说视频很重要？
当观众需要将所听到的内容与应该看的位置联系起来时，空间化互动最为重要。
从“播报式”讲解到视觉解释
当人类讲师讲解设备、图表或软件界面时，沟通很少仅限于语音。讲师可能会看向某个组件、指向一个按钮、比较两个区域或描绘一个序列。
标准数字人可以传达文字，而让观众自行进行视觉连接。
空间化AI数字人可以参与到这种连接中：
转向 → 看向 → 指向 → 高亮 → 讲解
这将演示者的角色从单纯的信息传递者转变为通过信息引导注意力的人。
空间定位手势生成方面的研究正日益探索语言、动作和环境上下文之间的这种相同关系。
空间化AI数字人最适用于哪些场景？
- 培训和SOP视频： 指向机器组件、控制器、安全区域或操作步骤。
- 教育视频： 通过图表、地图、科学插图、解剖结构或流程引导注意力。
- 产品和SaaS解说视频： 指示实体产品功能、仪表盘区域、按钮和工作流程步骤。
- 图表和数据演示： 引导观众关注特定数据点、比较或趋势。
在 Leadde 当前的空间化AI数字人演示中，从静态源图像生成的视频展示了演示者转向视觉内容、引导眼神、指向，并将其讲解与高亮元素协调一致。其实用价值不仅仅是让静态图像动起来，更是让生成的演示者参与到讲解中。
何时选择常规AI数字人更合适？
当没有有意义的视觉内容需要定位时，空间化互动是不必要的。
常规AI数字人可能更适用于以下场景：
- 公司公告
- 欢迎辞
- 直接的“播报式”内容
- 简单旁白
- 演示者只需面向观众传达信息的情况
一个有用的决策规则是：
如果理解取决于知道看哪里，空间化互动可以增加价值。如果演示者只需传达语音，常规AI数字人可能就足够了。
如何创建空间化AI数字人视频？
一个有效的空间化AI数字人视频始于沟通任务，而非尽可能多地添加动作。
从需要视觉解释的内容开始
优质的源材料包括图表、产品图片、演示文稿、仪表盘、培训材料和教育插图。
我们在 Leadde 当前演示中的经验揭示了一个有用的发现：两个视频都始于一张静态图片。一旦创建动画演示者变得简单，更困难的问题就转移到其他方面——演示者应该如何与信息互动？
Leadde 已支持通过单张照片创建AI数字人，并从文档、脚本和模板构建数字人视频。(Leadde AI) 空间化互动将该工作流程扩展到更协调的视觉解释。
编写空间化讲解脚本
比较以下两句话：
通用： “该系统可提升性能。”
空间化： “现在请看左侧的进气阀。”
第二句话为系统和观众提供了视觉参照。
规划空间化AI数字人内容时，请思考：
- 观众应该注意什么？
- 它在哪里？
- 何时应该转移他们的注意力？
- 这个时刻真的需要指向吗？
因此，空间化视频也改变了脚本编写方式。脚本应明确语言与视觉目标之间的关系。
映射旁白、目标和视觉强调
一个实用的工作流程是：
内容 → 视觉目标 → 脚本引用 → 数字人行为 → 视觉强调 → 审核
对于已经将SOP文档转换为培训视频、演示文稿、产品文档或培训材料的团队来说，这是文档到视频制作的自然延伸。Leadde 的 AI 数字人生成器支持文档、脚本和模板输入，用于创建数字人视频。
如何判断一个空间化AI数字人是否真的优秀？
仅仅真实感是不够的。
空间化AI数字人可能看起来很逼真，但仍然指向错误的物体。它的手势可能看起来很自然，但却迟了两秒。
因此，评估问题变为：
讲解在空间上是否准确？
四步空间互动测试
我使用四项实用检查：
- 目标正确 — 数字人是否识别了正确的对象？
- 提示正确 — 眼神、指向或身体朝向是否恰当？
- 时机正确 — 行为是否与相关的口语短语对齐？
- 连贯性正确 — 当讲解从A移动到B再到C时，数字人是否保持了正确的空间关系？
这是一个实用的评估框架，而非既定的行业基准。
常见的空间互动错误
典型的错误可能包括：
目标错误： 指向错误的视觉元素。
时机错误： 过早或过晚地执行正确的手势。
行为错误： 定位到正确目标，但使用了不合适的手势。
注意力冲突： 数字人、动画和高亮效果都在争夺观众注意力。
连贯性错误： 第一个目标正确，但随着讲解的继续，空间协调性中断。
关键的质量保证原则是：
一个看起来自然但指向错误对象的姿态，仍然是失败的互动。
为什么人工审核仍然很重要
面对小物体、拥挤的布局、相似的组件、模糊的措辞、遮挡、复杂的图表和快速的过渡时，空间定位变得更加困难。
这使得审核对于技术培训、安全规程、合规内容以及其他可能因指向错误位置而造成误解的讲解尤为重要。即使对于当前的多模态模型，精确的视觉定位仍然是一个具有挑战性的问题。(OpenAI Developers)
因此，审核清单应超越以下问题：
“这个数字人看起来自然吗？”
而应询问：
“它是否在正确的时间将注意力引导到正确的事物上？”
总结： AI数字人在语音、表情、身份一致性和动作方面已变得越来越强大。空间化AI数字人将重点转向演示者与所讲解信息之间的关系。当眼神、指向、旁白、时机和视觉强调协同工作时，数字人就不再只是画面中一个会说话的人。会说话的数字人传递语音。空间化AI数字人则帮助传递讲解。
常见问题
什么是空间化AI数字人？
**空间化AI数字人是一种AI演示者，其行为基于所讲解的视觉内容进行定位。**它能够将眼神、指向、手势、身体朝向和时机与屏幕上的特定对象或区域协调一致，而不仅仅是面向镜头讲话。
空间化AI数字人中的“空间化”是什么意思？
“空间化”指的是演示者与视觉场景中信息之间的关系。数字人可以识别相关内容出现的位置，并将其行为与该位置协调一致。它不一定意味着数字人是3D、基于VR的，或在虚拟世界中运行。
空间化AI数字人与3D数字人相同吗？
不。**3D数字人描述的是一种数字表现形式；空间化AI数字人描述的是演示者的行为。**空间化AI数字人可以出现在传统的2D视频中，甚至可以源自一张图片，只要其眼神和手势能够与视觉内容进行有意义的协调。
空间化AI数字人与交互式数字人有什么区别？
交互式数字人通常与用户互动，例如倾听问题并实时回应。空间化AI数字人则与其呈现的内容互动，将眼神和手势与特定的视觉信息协调一致。数字人最终可以结合对话式和空间化互动。
空间化AI数字人如何知道看向或指向哪里？
系统必须将语言与视觉场景连接起来：理解旁白所指的内容，识别相应的对象或区域，进行空间定位，然后将数字人的眼神或手势与该目标协调一致。这种语言到位置的关系通常被称为视觉定位或空间定位。
空间化AI数字人可以从一张图片创建吗？
是的。Leadde 当前的空间化AI数字人演示就是从一张静态源图像生成的。然而，其决定性特征并非输入格式。真正使数字人空间化的，是其生成的行为能否与所讲解的视觉信息进行有意义的对应。
