Anam 釋出 Cara-3：首幀僅 70 毫秒，單圖秒變互動數字人

如果給你兩個 AI 對話方塊，一個長得像好萊塢大片裡的真人但每句話都要卡頓半秒，另一個長相略糙但接話快如閃電，你會選哪個？

大多數人可能會猜畫質更重要，但剛釋出新模型的 Anam 拿出的盲測資料把這個常識砸了個稀爛。2 月 17 日，AI 數字人公司 Anam 正式釋出了新一代面部生成模型 Cara-3，專門用來驅動能即時互動的數字人形象。

在第三方機構 Mabyduck 組織的雙盲測試中，數百名測試者分別和來自 Anam、HeyGen、Tavus 以及 D-ID 的數字人玩了一場「二十個問題」猜謎遊戲。結果顯示，Cara-3 的綜合評分比最接近的競品高出了 24%。

更值得玩味的是測試得出的核心結論：在即時互動場景中，響應速度與整體體驗的相關性高達 0.697，而視覺畫質的相關性只有 0.473。換句話說，在螢幕對面跟你聊天時，回得快比長得漂亮重要得多。

像魔鏡一樣剝離動作與面孔

要想做到眨眼間接話，背後是一套精細拆解的技術架構。人與人交流的反應時間通常在 500 毫秒以內，要在這麼短的時間裡完成語音識別、大模型推理和逐幀面部渲染，留給視覺模型的視窗只有幾十毫秒。

Cara-3 採用了一套兩階段流水線。第一階段是音訊轉動作，模型利用改進的流匹配演算法，把說話聲音直接轉化為頭部姿態、視線方向和唇形變化的運動嵌入資料。官方把這層資料比作《怪物史萊克》裡的魔鏡面具，只有純粹的情緒與微表情，沒有任何顏色和材質。

第二階段則是動作轉面孔，獨立的渲染模型把這些運動資料直接貼到一張靜態參考照片上。這種拆分最大的好處是不用為了新面孔重新訓練整個模型，只要上傳一張人物照片，就能立刻生成專屬數字人。

根據官方公佈的資料，整套管線在輝達 H200 顯示卡上的首幀生成時間只有大約 70 毫秒。由於引數效率高，單張顯示卡就能同時併發執行多個數字人會話，把部署成本壓到了能大規模商用的水平。

在表現力上，Cara-3 相比上一代主要提升了唇形同步和自然度，唇形得分從 6.6 分拉到了 7.5 分，自然度從 5.6 分提升到了 6.3 分。Anam 此前還開源了其資料清洗管線的骨幹專案 Metaxy，用來保障訓練資料的質量。

為什麼重要

我們認為，數字人行業正在經歷一次關鍵的價值座標重置。過去幾年，從影視特效到短影片帶貨，行業幾乎把全部力氣砸在追求影視級毛孔、髮絲光影上，做出來的多半是隻能單向播報的冷冰冰影片。

但 Cara-3 和這次盲測資料證明了一個邏輯：當人機關係從「看影片」變成「打影片電話」時，延遲才是擊碎真實感的頭號殺手。卡頓兩秒的精緻面孔只會讓人覺得詭異，而接話流暢的數字形象哪怕畫質稍遜，大腦也會迅速適應並建立信任。

對企業和開發者來說，這種即時性極高、單卡多開的方案直接降低了客服、銷售培訓和語言陪伴等場景的試錯門檻。官方披露已有客戶在接入後發現，70% 的使用者在純語音和數字人之間會主動選擇數字人，轉化率最高提升了 24%，留存提升了 44%。如果你正在做語言學習、出海銷售或醫療諮詢類 Agent，現在確實值得去試一試它的 API。

不過隱患也依然明顯。正如官方自己承認的，目前的模型離真人還有相當長的距離。在長對話中，數字人的視線漂移、情緒切換以及動作重複度仍然很容易被肉眼識破。要真正做到讓人在長時間聊天中忘記對面是 AI，只靠首幀 70 毫秒的接話速度還遠遠不夠。