调研背景

语音智能体和实时数字人看起来都是“输入语音、输出会说话的人”，但真正决定能否落地的是端到端延迟、数字人驱动方式、接口开放程度、并发限制和部署成本。为了给后续技术接入提供依据，我围绕 Higgs Avatar、Boson Avatar，并参考 Heygen、D-ID 等产品做了能力调研、本地测试和接口限制验证，最终输出专项调研文档。

统一评估维度

维度	需要验证的问题
输入	支持文本、语音还是实时音频流？是否需要固定格式？
输出	返回视频、音频还是 WebRTC/WS 流？能否逐字或分片返回？
实时性	首帧延迟、端到端延迟、连续对话是否稳定？
驱动能力	静态头像、口型同步、表情动作和自定义数字人支持到什么程度？
接口	鉴权、回调、并发、时长、文件大小和限流如何？
落地	是否支持本地测试、私有化或稳定的生产 SLA？