Tavus 发布数字人模型 Phoenix-4：支持实时情绪控制与微表情

如果你和现在的 AI 数字人打过视频电话，大概率会觉得浑身不舒服：对方嘴唇虽然对上了，但眼睛直勾勾的，脖子僵硬，哪怕聊到让人难过的事，嘴角还挂着焊死的一丝假笑。这种「木偶戏」感，正是数字人一直很难让人产生真实信任的原因。

旧金山 AI 公司 Tavus 在 2 月 18 日发布了实时人类渲染模型 Phoenix-4。他们不打算继续做简单的对口型，而是想给数字人装上一套带有「情商」的实时表情和动作引擎。

扔掉循环视频，从头顶到肩膀全是实时算的

市面上大多数实时数字人的做法很偷懒：底子是一段录好的循环视频，AI 只负责扣出嘴部那一小块区域替换掉。一旦听用户说话，画面就切回预制视频，结果往往是诡异的反向眨眼、毫无节奏的乱点头。

Phoenix-4 走了一条完全不同的路线。它是一个全双工架构，支持 1080p 分辨率、40fps 实时运行，而且从头部、肩膀到每一次眨眼，所有像素都是实时生成的。

它的底层采用了高斯与扩散模型的混合架构（hybrid Gaussian-diffusion）。音频流进入后，模型不仅提取发音节奏，还会结合长期记忆模块分析上下文含义；接着由扩散头生成运动系数，最终驱动 3D 高斯泼溅（3D Gaussian Splatting）完成极低延迟的实时渲染。

这套模型放弃了行业常见的刚性预设表情参数，改用在数千小时真实人类对话数据上无监督训练出的隐式运动空间。这样一来，细微的微表情、转头时的自然停顿，都能连续顺滑地展现出来。

告别焊在脸上的假笑，开发者能用提示词调情绪

Phoenix-4 最关键的一点，在于把「倾听」和「情绪」变成了可以主动控制的状态，而不是只对声音波形做被动反射。

它支持超过 10 种情绪状态的实时无缝切换，包括高兴、悲伤、愤怒、惊讶、厌恶、恐惧、兴奋、好奇和满足等。开发者既可以让数字人根据对话内容自主给出情绪反应，也可以直接通过大语言模型和提示词来精确干预。

目前该模型已经上线 Tavus 平台和 API，并更新了包含 40 多个新形象的预制角色库。如果搭配他们此前推出的感知模型 Raven-1，数字人还能具备更强的实时观察与回应能力。

为什么重要

我们认为，Phoenix-4 代表了数字人从单纯拼「画质清晰度」转向拼「行为拟真度」的节点。

对开发者和企业来说，它最大的价值在于真正拓宽了交互场景。过去只凭一张僵硬的笑脸，做做电商带货或浅层客服还行，一旦进入心理咨询、医疗问诊、深度面试这种极度依赖同理心和细微情绪反馈的领域，传统数字人立马露馅。Phoenix-4 允许通过 LLM 提示词精准调控 10 种以上情绪，让非语言层面的倾听和共情有了落地的可能。

不过，实时算全身像素、跑 1080p 40fps，也意味着对算力和网络带宽的要求更为苛刻。更深层的隐患在于，当数字人不仅长得逼真，连眨眼、微表情和眼神闪烁都极具欺骗性时，深度伪造和视频诈骗的辨识难度又被推到了一个普通人极难肉眼识破的水平。对对手而言，靠裁切嘴唇做拼凑画面的低成本打法，恐怕很快就要被淘汰了。