Anam 发布 Cara-3：首帧仅 70 毫秒，单图秒变互动数字人

如果给你两个 AI 对话框，一个长得像好莱坞大片里的真人但每句话都要卡顿半秒，另一个长相略糙但接话快如闪电，你会选哪个？

大多数人可能会猜画质更重要，但刚发布新模型的 Anam 拿出的盲测数据把这个常识砸了个稀烂。2 月 17 日，AI 数字人公司 Anam 正式发布了新一代面部生成模型 Cara-3，专门用来驱动能实时互动的数字人形象。

在第三方机构 Mabyduck 组织的双盲测试中，数百名测试者分别和来自 Anam、HeyGen、Tavus 以及 D-ID 的数字人玩了一场「二十个问题」猜谜游戏。结果显示，Cara-3 的综合评分比最接近的竞品高出了 24%。

更值得玩味的是测试得出的核心结论：在实时交互场景中，响应速度与整体体验的相关性高达 0.697，而视觉画质的相关性只有 0.473。换句话说，在屏幕对面跟你聊天时，回得快比长得漂亮重要得多。

像魔镜一样剥离动作与面孔

要想做到眨眼间接话，背后是一套精细拆解的技术架构。人与人交流的反应时间通常在 500 毫秒以内，要在这么短的时间里完成语音识别、大模型推理和逐帧面部渲染，留给视觉模型的窗口只有几十毫秒。

Cara-3 采用了一套两阶段流水线。第一阶段是音频转动作，模型利用改进的流匹配算法，把说话声音直接转化为头部姿态、视线方向和唇形变化的运动嵌入数据。官方把这层数据比作《怪物史莱克》里的魔镜面具，只有纯粹的情绪与微表情，没有任何颜色和材质。

第二阶段则是动作转面孔，独立的渲染模型把这些运动数据直接贴到一张静态参考照片上。这种拆分最大的好处是不用为了新面孔重新训练整个模型，只要上传一张人物照片，就能立刻生成专属数字人。

根据官方公布的数据，整套管线在英伟达 H200 显卡上的首帧生成时间只有大约 70 毫秒。由于参数效率高，单张显卡就能同时并发运行多个数字人会话，把部署成本压到了能大规模商用的水平。

在表现力上，Cara-3 相比上一代主要提升了唇形同步和自然度，唇形得分从 6.6 分拉到了 7.5 分，自然度从 5.6 分提升到了 6.3 分。Anam 此前还开源了其数据清洗管线的骨干项目 Metaxy，用来保障训练数据的质量。

为什么重要

我们认为，数字人行业正在经历一次关键的价值坐标重置。过去几年，从影视特效到短视频带货，行业几乎把全部力气砸在追求影视级毛孔、发丝光影上，做出来的多半是只能单向播报的冷冰冰视频。

但 Cara-3 和这次盲测数据证明了一个逻辑：当人机关系从「看视频」变成「打视频电话」时，延迟才是击碎真实感的头号杀手。卡顿两秒的精致面孔只会让人觉得诡异，而接话流畅的数字形象哪怕画质稍逊，大脑也会迅速适应并建立信任。

对企业和开发者来说，这种实时性极高、单卡多开的方案直接降低了客服、销售培训和语言陪伴等场景的试错门槛。官方披露已有客户在接入后发现，70% 的用户在纯语音和数字人之间会主动选择数字人，转化率最高提升了 24%，留存提升了 44%。如果你正在做语言学习、出海销售或医疗咨询类 Agent，现在确实值得去试一试它的 API。

不过隐患也依然明显。正如官方自己承认的，目前的模型离真人还有相当长的距离。在长对话中，数字人的视线漂移、情绪切换以及动作重复度仍然很容易被肉眼识破。要真正做到让人在长时间聊天中忘记对面是 AI，只靠首帧 70 毫秒的接话速度还远远不够。