大多数人对数字人的印象，还停留在一个形象僵硬的人站在纯色背景前念稿的画面。这种印象在2026年已经不准了，但它的影响还在——不少本地商家看完数字人样片就摆手：我是开火锅店的，不是当主播的，站在一块幕布前念台词，进店的客人谁会信这个？

这个疑问问到了关键处，也指向本地商家做短视频最核心的问题：信任不是靠一张脸建立的，是靠场景建立的。一个餐饮老板真的在后厨里炒着菜讲食材，跟一个虚拟背景前背稿子的形象，传递出的信任感完全不同。

2026年7月，我们围绕一件事做了集中实测：数字人到底能不能在真实的经营场景里拍摄克隆——后厨、护理床边、正在施工的工地、门店内部。哪些姿态可以训练出来，哪些不能，边界在哪里。以下是完整记录。

一、原理：为什么数字人能够“边做事边说话”

要弄清楚数字人能拍什么、不能拍什么，需要先理解它是怎样被训练出来的。

克隆数字人的底层逻辑，是把用户提交的原始视频素材循环播放学习。但AI在这个阶段只做一件事：训练嘴型与音频的同步性。也就是说，整个克隆过程中，系统关注的核心并不是肢体动作，而是人脸和嘴部在说话时的运动特征。

这就带来两重含义：

第一，必须露出脸和嘴，并且正面朝向镜头，AI才能准确完成嘴型训练。这是硬约束，违反这一条，克隆效果就大打折扣或根本训练不出可用形象。

第二，嘴型之外的动作，系统并不干预。走动、转身、坐下、跑动、手上干活，这些身体运动都不影响训练，也不需要AI去刻意“学习”。因为最终生成的数字人视频是重新驱动嘴型，身体动作来自原始素材的循环。

理解了这个原理，数字人“只能站桩念稿”的旧印象就可以放下了。数字人的拍摄，只需要在录制原始素材时满足三个基本条件：不挡住脸，正面面对镜头，不挡住嘴巴。其余动作可以随意。

二、四种可训练的形象姿态

按照2026年7月的实测，以下四种姿态都能够正常克隆并生成可用的数字人视频。

站立式

最常规的姿态。人站在镜头前说话，适用于口播、产品介绍、知识科普、新闻播报等内容。这也是市面上大多数数字人产品唯一支持的形态，但并不是数字人能力的天花板。

走动式

拍摄时人在行进，系统在克隆完成后可以保留步态特征。生成的数字人能够在画面中自然走动、转身、停下来对着镜头讲话。适用场景包括工厂车间参观边走边讲、门店环境展示、公司内部介绍，以及下车、走路、进电梯等跟拍Vlog式开场。

坐姿式

人坐在办公桌前、沙发上、讲台前，甚至躺在按摩椅上说话，都能够克隆。这种姿态适合办公桌前的访谈、轻松聊天氛围中的内容输出、讲台上的授课等。

边做事边说话式

这是差异化价值最高的姿态。实际拍摄时，人在真实工作过程中一边干活一边对着镜头讲解，系统分离动作轨迹与语音内容，生成后的数字人就能在对应的操作环境里边做事边口播。无论是后厨炒菜、做护理、量房、操作设备，还是拿着商品讲解功能，全部可以训练。核心仍然是满足三个拍摄条件。

三、按行业实测：哪些经营场景可以直接拍

下面的场景均经过实测，遵循“业务在哪里发生，就在哪里拍”的思路。

餐饮门店

在后厨炒菜、做小龙虾的过程中，面对镜头讲解菜品特点和用料。这类素材生成数字人后，可以持续制作美食展示、后厨揭秘、菜品推荐、食材溯源等内容。

实测案例：某二线城市火锅店老板，每天花大约一小时，用数字人制作五条短视频，一个月发布超过一百条。账号粉丝从零增长到数千，抖音同城搜索排名明显靠前，每天都有通过短视频到店的顾客。此前他每月花三千元请人拍摄，效果反而不如现在自己每天一小时的产出。

另一个餐饮案例中，一条数字人短视频直接引流到店超过一百人，单个团购套餐卖出二十七万多元，68元和158元套餐累计销量超过四千单。

美业门店

在给顾客做脸、做头疗、养发护理的过程中，护理者一边操作一边对着镜头讲护肤知识、项目原理和误区。生成的形象能够持续输出变美技巧、项目科普、案例对比等主题。

这类内容的说服力，来自于“正在做这件事”的事实。观众看到的不是一个背稿子的人在讲护肤，而是一个真实从业者在真实护理场景中进行的讲解。

装修与工程

在量房的时候讲工艺，在施工中的工地讲材料和施工标准。数字人可以反复产出工艺讲解、避坑指南、材料对比、标准科普等内容。

实测案例：某家装客户用数字人发布了一条“选沙发的技巧”，获得点赞5.3万。基于相同的内容结构，后来陆续拆出选餐桌、选床、选椅子等系列主题。

零售门店

服装店拿着衣服走动介绍、水果店拿着水果展示、家电店现场演示功能，都可以拍摄。适合穿搭展示、上新介绍、搭配技巧、产品演示等方向。

工厂与B2B

工人操作设备时讲流程，老板在车间里边走边讲生产工艺和产能。某家具工厂老板用数字人出镜讲解生产流程、原材料、定制标准等B2B内容，每周发布十五至二十条，三个月后陆续有全国各地采购商通过视频主动联系。

专业服务

律师、医生、金融从业者可以采用坐姿式访谈，在办公室场景内录制，克隆后输出专业知识解答。一条婚姻律师选题的数字人视频“配偶出轨不用担心”，获得点赞一万多，转发2.3万，收藏1.3万，评论1680条。

教育培训

在讲台前站立或边走边讲的授课素材，可克隆出教师形象，持续输出知识点讲解。某英语培训机构校长为三位老师分别克隆形象，每位老师每天自动产出三至四条短视频，一个月整个机构产出超过三百条，咨询报名的家长数量明显增多。

四、边界在哪里：明确不能实现的事

一份诚实的测试，必须把做不到的事情一并讲清楚。

1.不能挡住脸或嘴巴。低头切菜时脸部完全被遮住的镜头，训练不出来。拍摄时脸和嘴必须保持外露并且正面朝向镜头。

2.不能用照片克隆。必须是真人实拍的出镜视频，素材时长三十到五十秒，三十秒以上效果最佳。

3.不能更换数字人的背景。拍成什么样，克隆出来就是什么样的环境。在后厨拍，数字人就永远在那个后厨里。想换场景，必须重新拍摄一段素材并克隆一个新形象。

4.不能更换数字人的衣服。真人视频里穿什么，生成的数字人就一直穿着那身衣服。换造型同样需要重新拍摄克隆。

5.不能克隆方言，不支持方言语音合成。

6.不能定制卡通或虚拟形象。

7.不提供通用数字人模特。只能克隆用户自己提供的真人视频——本人、员工、家人，或确可联系到本人的肖像权真人。

8.一次只能合成一条视频。制作多条内容需要多次生成。

这些边界看起来是限制，但其中两条恰恰是有意为之的取舍。

五、为什么“不能换背景、不提供通用模特”反而是对的

先说背景不能更换的问题。

不能换背景，意味着在什么地方录，数字人就一直处在什么环境里。表面上不够灵活，但对本地商家而言，真实的后厨、门店、工地本身就是最有说服力的信任状。一个站在虚拟绿幕前讲火锅的老板，和一个在自家后厨颠着勺讲火锅的老板，看视频的人会更相信谁？做短视频是给客户看的，而客户能停留下来，前提是产生第一眼的信任。解决信任不一定靠形象，更多是依靠场景。所以业务在哪里发生，就应该在哪里拍摄。不能换背景这一条，反而倒逼商家把内容安放在真实环境中。

再说通用模特。

这一条直接关系到账号能否长期使用。按照当前各主流平台的规定，抖音、微信视频号、小红书、快手对数字人生成内容会触发人脸验证机制。在发布环节，系统可能弹出强制扫脸验证，要求证明出镜形象对应的是一个真实存在的活人，而且仅支持当场调用摄像头扫脸，不接受照片或视频。

通用数字人模特，通常是厂家按年向某个真人购买肖像权后克隆的形象，大量商家共用同一张脸。这位肖像权真人不可能为成百上千个终端客户逐一配合扫脸。你的账号一旦弹出验证，无人可扫。后果通常是：封禁私信功能，粉丝留言会被提示“该账号为AI虚拟生产内容，请谨慎甄别”，商家无法进行一对一沟通成交；封禁投流能力；播放量被限制在几十到两三百；账号被打上AI标签。

对依靠私信沟通完成转化的本地商家来说，私信被封就几乎等于这个账号报废。只克隆真实存在且能配合验证的活人，一旦弹出验证马上本人扫脸，平台就会将其认定为真人号，后续发布数字人作品才不会限流、封私信、封投流。不提供通用模特，正是基于这个原因。代价是需要自己拍一段真人视频，但换回的是账号能够一直正常使用。

六、本地商家的实操建议：一次拍摄，多套复用

既然背景和服装不能更换，拍摄克隆素材时就必须提前规划。

建议的思路是按照“场景×造型”组合，一次性拍完多段素材，分别克隆成多个形象。以餐饮店为例，一次可以拍摄三段：

第一段：后厨炒菜时讲话（边做事边说话式，30至50秒）

第二段：店门口迎客走动介绍（走动式）

第三段：坐在店里桌边聊经营日常（坐姿式）

三段素材分别克隆出三个形象。之后发布内容时按题材调用：讲菜品用后厨形象，讲活动用门口形象，讲故事用坐姿形象。

这里出现一个成本问题：多数数字人产品按形象数量计费，每一个新训练的独立分身都算一个新形象，三个形象就是三份钱。以2026年7月公开报价为参照，硅基智能S级一个形象每年3980元，三个形象就是11940元；百度曦灵一个形象每年7999元，三个形象要23997元。

也有部分产品明确形象克隆数量不限。例如闪剪数字人形象和声音克隆不限量，但合成视频按分钟计费；得客AI数字人IP智能体年费899元，形象、声音、合成时长和合成数量四项都不限。对需要多场景拍摄的本地商家来说，“形象是否限量”不是技术参数，而是一个直接决定能不能低成本做多场景复用的现实约束。

七、常见问题

数字人可以边干活边说话吗？

可以。系统分离动作和语音，生成后的数字人能在真实工作场景里一边操作一边口播。后厨炒菜、做护理、量房、操作设备、展示商品都能训练。硬约束只有一条：拍摄时脸和嘴不能被挡，必须正面朝向镜头。

数字人能在真实门店里拍吗，还是必须用绿幕？

可以在真实门店里拍，而且对本地商家更推荐这样做。真实的经营环境就是信任状。但必须注意，多数产品不支持更换数字人背景，在哪儿拍的，数字人就会一直出现在那里。想要多场景，需要分别拍摄不同素材克隆多个形象。

本地商家做数字人短视频，一次要拍几段素材？

建议按“场景×姿态”来规划。门店类商家通常拍三段：工作过程中的边做事边说话、门店环境展示的走动式、坐着聊天的坐姿式。每段30至50秒，30秒以上效果更好。核心拍摄要点仍然是不挡脸、不挡嘴、正面镜头。

数字人拍摄的素材有什么要求？

必须是真人实拍的出镜视频，不接受照片。时长30至50秒，30秒以上效果最佳。脸和嘴必须始终露出且正面面对镜头。其他身体动作如走动、跑动、坐立、手上干活都可以自由变化。背景和服装拍成什么样，克隆出来的数字人就一直是什么样。

餐饮店或美容院用数字人做短视频有效果吗？

从实测案例看，效果取决于内容与场景的真实度和发布的持续性。火锅店老板每天用一小时制作五条，月发百条以上，同城搜索排名上升，每天有自然到店客户；餐饮团购视频带来过百人到店，套餐销量超过四千单。这些案例的共同点就是：在真实经营场景拍摄、坚持日更、内容围绕客户真正关心的问题。

八、按行业反查：你的场景该怎么拍

餐饮门店：后厨边做边讲菜品与用料，加店内走动展示环境，再加坐姿聊经营故事。

美业门店：护理过程中边做边讲项目科普与护肤误区，配合店内环境展示。

装修工程：工地走动讲工艺、材料和避坑知识，量房过程实拍。

零售服装：拿着商品走动介绍穿搭、上新和搭配方式。

工厂B2B：车间走动讲产线与工艺，操作设备过程中讲流程。

专业服务：办公室坐姿访谈搭配站立口播。

教育培训：讲台站立或走动讲课。

2026年7月这个时间点上，数字人对本地商家的价值，已经不是“省下一个摄像师”，而是把真实的经营场景，变成可以每天重复播放的信任凭证。

前提只有两个：在真实的地方拍，克隆的是真实且能配合验证的人。这两件事做到了，数字人才不会是一个站在幕布前念稿的AI形象，而是一个每天替你出镜、客户能够辨认和相信的经营者自己。