《压力点》：数字演员展示
Pressure Point: A Digital Actor Showcase
原文给出数字演员的三模型级联架构与1200毫秒语音延迟数据，可观察AI角色如何在既定叙事内即兴回应玩家。
July 14, 2026
迈向互动叙事的新媒介
在 Iconic，我们是一支由 AI 研究人员和游戏创作者组成的团队，拥有累计数十年的经验，围绕一个共同信念凝聚在一起：下一代伟大的娱乐媒介不会是让你观看的故事，而是你亲身经历的故事。
这一媒介的关键使能者是数字演员（Digital Actor）：一位由编剧、创意总监和真人演员的工作共同构建的 AI 表演者。它的表演方式如同即兴表演艺术家，保持角色、读懂玩家，并随着场景的展开塑造场景。而人类一次只能为一批观众现场表演，数字演员则能将这种技艺同时流送给每一位玩家，每个人所遇到的都是专为他们打造、并忠于其背后故事与创意方向的表演。
Pressure Point 是 Iconic 的 Digital Actor 技术的首次公开展示：一个简短的线性场景，你在其中独自待在一艘正在失事的潜艇舰桥上几分钟，通过无线电与 James 交谈，他是一名必须由人通过对话引导着做出一个不可能决定的军官。路径是既定的；你的行动方式则不是。无论你说什么，James 都会以角色身份回应，而场景仍会按照编剧设定的叙事节拍推进到结局。
我认为这是一个非常令人印象深刻的演示，这是我第一次真正享受与由 LLM 驱动的 NPC 互动。让我惊讶的是，这一切竟然都能靠本地模型实现，而这一点对于这类技术真正被部署到游戏中当然是至关重要的。我见过的其他演示都需要往返某个数据中心，这会带来延迟，在经济上也不可行。我在尝试理解和说服 James 的过程中度过了愉快的时光。甚至语音“表演”也很出色（尤其与我见过的其他生成式 AI NPC 演示相比）。出乎意料的是，James 似乎能理解我说的每一句话，感觉我真的能影响他的思考，同时还能享受一个精心构建的叙事。
让一个动态角色严格保持在人类创作的故事情节所设定的边界之内，同时借助 Gemma 4 的能力来维持受过训练即兴演员所具有的对话流畅度和情感细腻度，这是一项巨大的技术与设计挑战。
但令人印象深刻的技术还不够；它好玩吗？这才是真正重要的。
打造既能尊重编剧创作意图、又能赋予玩家前所未有自主权的数字演员，将成为新一代互动娱乐的基石。祝贺 Iconic 团队在这一领域的开创性工作。
自然语言对话的表现真的很好。最突出的一点是，我可以在写作内容周围自由探索，并和它在我们共同走过的空间里进行一场真正的对话，而不是被丢到一个 NPC 面前、然后被告知“去跟它说话吧”。这类演示大约 99% 恰恰就败在这一步，而 Iconic 却真正把我带了进去，并给了我可聊的内容。我平时会觉得出声和 NPC 说话很别扭，但在这里我没有这种感觉；它显得自然又轻松。这个角色从极少信息中进行推理的能力比我预期的更好。把所有内容限制在单个小空间里，是控制体验的一种聪明做法；而把场景设在海底，则巧妙地掩盖了延迟，因为当声音必须穿过水传播时，轻微的延迟反而显得合理。唯一的卡顿来自我自己的机器，而不是模型，而且能折腾这个系统确实很有趣。
我观察了几个人与 Digital Actor 互动，令我印象深刻的是它快速且与游戏相关的响应，以及即便玩家竭力试图破坏，它仍能紧扣游戏叙事的能力。语音转文字效果非常出色，游戏玩法在得到良好控制的同时仍显得具有适应性。它很好地展示了 AI 技术能够如何推动游戏开发迈向个性化和现实可行性的新高度。AI and games Summer School 的参与者对 [Iconic] 带来的现场演示印象深刻，这可以说是该暑期学校中最佳演讲之一。
这种互动非常自然。基本上感觉就像是一个只有一个场景的密室逃脱。我真的很喜欢通过语音与玩家进行的互动，因为它感觉非常自然、可控。它为这个自动人偶赋予了一种不同的化身方式和不同的诠释——这个自动人偶在机制背后有点失去人性：故障不在声音里，故障在思维里。这相当引人入胜，探索起来很有趣，也有点令人不安。非常好！必须按下按钮才能说话[…]对隐私更好：[…]它只在你说话时才录音。你可以一边说话一边做其他事情：这带来了新的互动形式。它如此迅速、如此快，而且是实时的，真是相当惊人！
创意视角
这是我追逐已久的梦想：每一位玩家都成为我们故事中的主角。他们用自己的话语与数字演员（Digital Actor）交谈，而回馈给他们的内容是专为他们单独构建的，因此每一次游玩都变得私人化，而不是把同一份剧本再播放一遍。这改变了我们的工作方式。对白不再是我们逐行撰写的东西；相反，我们把时间花在打磨一个人设和一份足够深厚的叙事蓝图上，使这位演员能够把握故事的形状，同时针对每位玩家给出具体的回应，并且始终保持在角色之中。与这些人设互动令人着迷——他们以从未被写进剧本、却始终可被辨认的方式，在言语和情感上表达自己。Pressure Point 是我们以这种方式制作的第一款体验，我迫不及待想展示我们接下来会把它带向何方。
— Martin Connor，创意总监
打造数字演员
数字演员建立在我们称为定向开放式（directed open-endedness）的框架之上。每一场表演都由两个由人类编写的输入驱动：角色蓝图（persona blueprint），它定义角色是谁；以及叙事蓝图（narrative blueprint），它定义场景必须达到的戏剧节拍，且没有预设台词。这些节拍在整个旅程中固定住多少内容，由导演决定；该框架覆盖从完全预先编写的路径，到演员自由地朝一个戏剧目标推进的场景。Pressure Point 刻意位于“定向”这一端。旅程的每一步都是预先编写的，而演员的自由完全存在于表演之中：詹姆斯如何倾听、反应，并即兴地走向每一个节拍，无论玩家说什么。
在底层，数字演员由三个模型级联运行。自动语音识别（ASR）模型转写玩家的语音；大语言模型（LLM）决定场景应如何转向，并精心设计下一个表演节拍，使其既忠于角色人设，又忠于叙事蓝图；文本转语音（TTS）模型则将该节拍转化为声音，使表达同样贴合角色。在这一代数字演员中，我们选择了级联方案：将系统拆分为不同阶段，让我们能对每个阶段进行细致控制，使我们的研究与创意团队可以并行迭代，也让整条流水线在生产环境中更易于调试。
导演： 预先定义整段旅程，由人工撰写
人设 声音、性格与动机
叙事蓝图 故事节拍与结局
戏剧目标 创作愿景
在每个节拍上为演员设定条件
Digital Actor： 三个模型的级联，实时运行
玩家说话
ASR 转写玩家的语音
LLM 切换场景并构思回应
TTS 将回应转化为可信的表演
演员的演绎
LLM 编排器
基于人工编写的蓝图，一套自定义编排系统逐轮引导 LLM。该系统确保强有力的创意控制，让 LLM 专注于演员下一步做什么以及如何表达，并特别关注四个维度：
与玩家互动
为一位玩家量身打造的表演，必须基于那位玩家实际说出的内容来展开。演员会捕捉玩家提供的细节，并将它们重新融入场景之中。
0:58
保持角色状态
LLM 让演员始终处于其角色人设和叙事语境的边界之内：James 会谈论什么、不会谈论什么，以及他如何回避不适合出现在这个场景中的内容。
2:38
引导叙事
无论玩家做什么，演员都必须达到叙事蓝图的各个节拍：处理玩家给出的误导性陈述，并安排它们对环境采取行动。
2:26
为角色注入生命
标准的 LLM 是在书面文本而非口语对话上训练的。它们的回答冗长、精致、冷静克制：在屏幕上看着没问题，但一旦念出声来就不对。真实的说话是凌乱的。我们正是为此优化了我们的生成，把每一个节拍都按照它应该被表演、而不是被朗读的方式来打磨，精细到语音将要渲染的情感标记。
LLM“我理解你的顾虑。你能帮我转动那个阀门吗？”
Digital Actor“听着……我——我不能……*叹气*……你就把阀门转一下，行吗？！”
声音：上下文文本转语音（CTTS）
为了让 James 鲜活起来，我们构建了一个定制化的端侧 CTTS 模型，针对实时戏剧化表演进行优化，其体积足够小，可以在标准消费级硬件上与 Unreal Engine 和一个小语言模型（SLM）无缝并行运行。
我们 CTTS 模型的关键特性
创意协同设计。我们的 AI 团队与我们的创意总监和编剧合作，梳理角色的性格画像。配音演员录制特定的情绪区间和潜台词——而非随机的语句——使 CTTS 能够即时复现细腻的人类表演。
实时上下文控制。LLM 理解戏剧性语境并生成情感标记 token。我们的 CTTS 引擎即时解析这些 token，以调节音高、音色、强度和节奏。
语音标记与副语言特征。通过为下游 TTS 流程量身定制文本生成，我们能够原生呈现呼吸声、自我纠正、停顿和填充词，以模拟真实的人类对话。
持续的情感状态。与单次输出的 TTS 引擎不同，我们的系统会构建整体心理状态，在场景中保持情感一致性，同时动态适应叙事变化。
我们的 CTTS 在动态演变语境中的示例
James 向玩家打招呼
玩家
"你好？"
James
"哦，终于有人回应了！我是James Kovich，退休中尉兼危机处理官。请叫我James。"
James在紧急情况下指导玩家
玩家
“我确定那里没有人。”
James
“好，但我需要一个经确认的读数。下楼去，检查机械舱门旁的占用检测机。”
James 实际上为了拯救船员而牺牲了自己的儿子之后
玩家
“我们该怎么做，James？”
James
“去舰桥。找到注水超控杆。我绝不会让他的牺牲白费。”
James 在这次不幸的冒险之后道别
玩家
“当然。”
James
“是啊。嗯，亚历克斯还小的时候，我出海远航，我们有过一个特别的告别。‘再见，我爱你，我离你只有一次潮汐的距离。’我想，现在他终于抵达了那道潮汐吧。”
让它运行得快速而流畅
沉浸式、富有情感的对话需要低且稳定的延迟，同时不能牺牲质量。我们一再发现，当延迟被降到最低时，同样的体验对玩家来说会好得多，因此这构成了我们在 Iconic 工作的核心支柱。最重要的指标是语音到语音延迟——从玩家说完话到听到 Digital Actor 的实际回应之间有多少毫秒。
语音到语音延迟
在 Pressure Point 的线上版本中，我们看到语音到语音的中位延迟为 1200ms，其中 100ms 用于转写玩家的语音和情绪，700ms 用于 LLM 制定回应并更新游戏状态，300ms 用于 TTS。我们的体验目标是将其降到一秒以下，而且我们已经在内部看到该演示以低于一秒的延迟运行。
为了实现这一点，我们需要控制整个推理栈，而不是调用任何外部模型。我们会为自己的模型定制 vLLM 等推理引擎，并且我们的调度器会尽可能多地将 LLM 调用移出关键路径（在无人说话时），这样 Digital Actor 就能在有人对其说话时立即回应。我们还允许玩家或 Digital Actor 打断和追问。
所有模型都运行在一块可在地理上部署于用户附近的单块 GPU 上，以尽量减少网络延迟和成本，或为未来的体验完全移至设备端运行。
为了让你一键即可在浏览器中直接体验 Pressure Point，我们还利用了像素流送技术。游戏运行在 AWS 的一块 GPU 上，并流送到你的浏览器，同时将输入和麦克风流回，无论你使用什么设备、身在何处。
轮到你了
亲自试玩这个技术演示吧，限时开放，就在 Iconic Labs。我们强烈建议在台式机或笔记本电脑上，使用键盘、鼠标和麦克风，并搭配扬声器或耳机，以获得最佳体验。
我们很想听听你对这个演示的反馈——玩过之后给我们留言吧！
后续步骤
压力点是第一步。它基本上是一个线性场景，由一个人格角色以及一个不可能抉择所带来的分量支撑起来；而在这些限制之内，一位数字演员已经能让电台另一端的任何人都获得个性化的体验。我们对接下来要做的事感到兴奋：更开放式的体验，导演无需规定旅程走向；超越声音的具身呈现；以及细腻程度更高的戏剧表演。
如果你有兴趣进一步了解 Iconic，或希望与我们共同构建，请联系我们。
— Iconic 团队
* 引述内容反映所具名个人的个人观点与言论，不代表其雇主或所属组织的观点。
来源：ICONIC · AI 数字演员技术 · iconicgames.co