一种基于图片与音频合成的交互式数字人生成方法及系统

本发明公开一种基于图片与音频合成的交互式数字人生成方法，属于人工智能与计算机图形学交叉领域。该方法仅由用户上传一张人物图片与一段音频，即可自动完成“特征提取—模型构建—情感驱动—实时交互—视频输出”全链路流程：对图片进行关键点与语义特征提取，获得面部/姿态信息；对音频进行语音识别、语义分析及情感识别，得到语义标签与情感参数；基于上述信息生成个性化三维数字人，并驱动其产生与情感同步的面部表情与肢体动作；通过自然语言理解与计算机视觉实时解析用户意图，实现多模态交互。本发明无需专业建模与动捕设备，即可完成数字人创建，生成成本降低，可广泛应用于虚拟主播、在线教育、智能客服、影视娱乐场景。