虚拟人直播火爆背后：动作捕捉技术哪家强？

鞭牛士报道 最近，虚拟主播的热度持续升温。

被称为现象级虚拟人的美妆达人柳夜熙，第一条视频涨粉上百万，出道即巅峰；携“声优”首发优势，快速卡位虚拟直播的抖音主播许安一，三周多时间，涨粉近10万，引发围观热潮。更早一些，洛天依、ayayi、清华学生华智冰……越来越多的虚拟数字人受到追捧，并迅速蹿红。

研究数据显示，当前虚拟数字人市场规模已超2000亿元，预计2030年达到2700亿元，虚拟人赛道有望涌现超过5家以上的独角兽企业。其中以虚拟主播、明星虚拟分身、品牌代言人等为代表的身份型虚拟人将在未来将占据主导地位，体量达1750亿元。

虚拟人，借着元宇宙基础设施的东风，一下子站到风口浪尖上。特别是在内卷化严重的MCN、主播市场中，虚拟人的出现，解决了IP稳定性、不愿出镜、差异化竞争等难题，甚至被认为是主播逆袭的工具。提及虚拟人，除了内容端的形象设计建模、渲染外，决定虚拟人灵活性、稳定性、使用门槛的动作捕捉技术，是兵家必争之地。

激光+惯性：易搭建、易携带，连续直播不“掉线”

4月17日，抖音虚拟主播许安一直播间，人声鼎沸。“到一万人就给大家倒立，还能随意跳舞，我还会倒立洗头呢，绝活可多了”，在线数据很快飙升到1万人，许安一二话不说，当场就来了个倒立，整个动作行云流水，丝毫不拖沓。

但恰恰就是这样一个线下直播的“常规”动作，如果让虚拟数字人“照办”，对动作捕捉技术和设备的要求就相当苛刻了。

有了“激光定位+惯性”的动捕技术，才让许安一“有恃无恐”。因为在采用STEPVR的动捕方案前，虚拟主播在窗口前很容易“掉链子”，或是突然形象崩塌，或是大幅动作“穿帮”，因此，不得不谨小慎微。有了“激光+惯性”动捕技术的加持，主播可以在直播间里肆意表演，跳舞、倒立、翻跟头等高难度动作，都能流畅完成，还支持多人实时动捕，观赏性一下子就拉高很多。

相比其他类别动捕技术，“激光+惯性”还有超强稳定性的优势，连续直播10小时，不会拉胯，不需要矫正复位等多余的操作。另外值得一提的是，这一动捕技术性价比极高，使用门槛极低，对空间要求也很低，主播如果想换个“场子”，拎着箱子出去，在任意小空间都可以灵活搭建，直播起来，几乎是傻瓜式操作。

惯性：成本低廉，但短板很明显，需15分钟矫正

目前，应用在虚拟直播上的惯性动作捕捉技术占主流。从原理上讲，是将惯性传感器应用到数据采集端，通过惯性原理对数据进行处理，从而完成运动目标的姿态角度测量，可以简单理解为手机里那个陀螺仪。

好处是，成本相对低廉，短板也非常突出，误差比较大，重复精度比较低。因为动作捕捉数据由推算而来，所以绝对位置的数据精准度非常低。比如现实世界的才艺表演，主播回到原点后，虚拟世界跟随同样的运动后，惯性式虚拟人极有可能回不到最初的原点，甚至跑到旮旯去了。数据误差不断积累的话，就需要每15分钟，复位矫正一次设备。

对虚拟主播来说，这就尴尬了，往往难以忍受。

所以，使用了单一惯性动捕技术的虚拟主播，不管是跳舞、运动，上限时间是15分钟左右，之后主播不得不回到座椅上“休息”一下，实际上是为了复位校正。再者，使用惯性动捕时，如果周边手机设备较多的话，电磁信号复杂，很可能导致虚拟人会突然姿态崩溃、失控。目前，国外代表性的企业有Xsence，国内采用惯性的动捕企业也不少。

光学相机：影视级别效果，搭建复杂，可移动性差

最后一类是光学相机动捕技术，这一流派并不陌生，在《阿凡达》等好莱坞动画片中，有着广泛应用。技术原理上是通过多个红外发射摄像头，对室内空间进行覆盖，在被追踪物体上放置反光点，通过捕捉这些反光点反射回来的图像，确定其在空间中的位置信息。

优势是影视级别效果，因为多年技术沉淀，成片视觉效果细腻。当然，这自然是所有虚拟主播所追求的目标，品质体验上对粉丝更为友好，但可惜的是，价格极高，让人望而却步。而且操作起来相当复杂，需要进行长时间培训，无法实现快速搭建，搭建完成后不能轻易“挪动”，可移动性差，需要专业人员定期维护。

但这与虚拟主播的未来发展趋势有点儿相悖，他们需要更高的自由度。

比如声优主播许安一借助虚拟人，以黑马姿态出位；柳夜熙爆火后，马不停蹄地在线下开展攻势，接品牌代言；麦当劳推出首位虚拟代言人，超写实数字人Ayayi也成品牌合作大户，以及未来虚拟人走向带货场景。这意味着虚拟人面向的未来场景更多元，不仅仅存在于直播间，这就要求背后的动捕技术具有灵活、可移动、快速搭建、免维护的特征。显然，光学相机一派的弊端明显，有些难以适从。

对比了一番后，动作捕捉技术究竟孰强孰弱？结果可能已经不言而喻：惯性短期内有一定成本优势，但长期看未来可能是“激光+惯性”技术的天下。