《文旅2D數(shù)字人技術規(guī)范》

ICS03.200

CCSA01

團體標準

T/WLLXXXX—XXXX

文旅2D數(shù)字人技術規(guī)范

CulturalandTourism2DDigitalHumanTechnicalSpecifications

（征求意見稿）

XXXX-XX-XX發(fā)布XXXX-XX-XX實施

溫州市科學技術情報學會發(fā)布

T/WLLXXXX—XXXX

文旅2D數(shù)字人技術規(guī)范

1范圍

本文件規(guī)定了文旅2D數(shù)字人的術語和定義、制作要求、技術能力、應用場景、文旅數(shù)字資源庫。

本文件適用于文旅2D數(shù)字人的技術要求。

2規(guī)范性引用文件

下列文件中的內容通過文中的規(guī)范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

3縮略語、術語和定義

下列縮略語、術語和定義適用于本文件。

文旅CulturalandTourism

文化和旅游。

文旅行業(yè)相關場所CulturalandTourismIndustry-relatedVenues

文旅景區(qū)、博物館、文旅場所。

2D數(shù)字人2DDigitalHuman

形象為平面圖像，其圖形內容僅包含水平和垂直維度信息的，通過從真人視頻中提取語音、唇

形、面部表情和其他特征，并使用語音、唇形、面部表情合成和深度學習技術進行訓練的數(shù)字人。

文旅2D數(shù)字人CulturalandTourism2DDigitalHuman

文旅行業(yè)相關場所的虛擬共生服務角色，與游客實現(xiàn)面對面實時互動交流，為游客提供路線規(guī)

劃、信息查詢、導覽講解等智能服務，打造沉浸式的交互體驗。

4使用場景

文旅2D數(shù)字人的使用場景分為：視頻播報、智能互動、智能導覽、數(shù)字講解。

5文旅2D數(shù)字人應用系統(tǒng)框架

1

T/WLLXXXX—XXXX

將文旅2D數(shù)字人系統(tǒng)分為六個部分：圖像；語音；動畫；技術能力；多模態(tài)輸入和多模態(tài)輸出。

前四個部分與數(shù)字人角色本身密切相關，而最后兩個部分是數(shù)字人需要具備的用于呈現(xiàn)或與多模態(tài)輸

入輸出設備進行交互的屬性，如圖1所示。

圖1-文旅2D數(shù)字人應用系統(tǒng)框架

圖像模塊：提供文旅2D數(shù)字人的圖像；

語音模塊：可以根據(jù)文本生成與之對應的角色語音；

動畫模塊：可以根據(jù)文本生成角色動畫，包括面部表情和身體動作。動畫模塊由智能驅動；

交互處理模塊：使文旅2D數(shù)字人能夠感知、識別、理解和做出決策，即通過語音識別和語義識別等智

能技術識別用戶輸入信息，基于此理解用戶意圖，并根據(jù)用戶當前意圖決定文旅2D數(shù)字人的后續(xù)語音

和動畫，從而驅動文旅2D數(shù)字人啟動新的互動；

多模態(tài)輸入模塊：用于接收用戶的輸入；

多模態(tài)輸出模塊：用于向用戶呈現(xiàn)輸出。

指標和規(guī)范描述

5.1.1圖像

5.1.1.1人像錄制時應保持面部完整出現(xiàn)在視頻畫面內，任何肢體動作（如揮手等手勢）不遮擋臉部與

頸部；全身數(shù)字人使用4K分辨率以上拍攝，半身數(shù)字人使用2K分辨率以上拍攝，并讓人物在畫面中占

較大比例。

2

T/WLLXXXX—XXXX

5.1.1.2拍攝環(huán)境應保證光線充足且均勻，以防止視頻出現(xiàn)過亮過暗或明暗不均；使用專業(yè)綠幕；使用

綠幕時需離綠幕3-5m遠，防止人物身上出現(xiàn)綠光影響效果。

5.1.1.3文旅2D數(shù)字人應當保持良好聲屏形象，表演、服飾、妝容、語言、行為、肢體動作及畫面展

示等要文明得體，符合大眾審美情趣和欣賞習慣。

5.1.1.4文旅2D數(shù)字人形圖像需要沒有以下缺陷：嚴重的扭曲；嚴重的馬賽克；明顯的幀跳躍；其他

損傷。

5.1.1.5文旅2D數(shù)字人不能侵犯公民和法人的名譽權、榮譽權、個人隱私權、肖像權以及其他合法權

益。

5.1.2語音

5.1.2.1避免雜音和干擾，語音發(fā)音需要清晰準確，自然流暢；需要錄制不同的語音風格；錄制時需要

使用高質量的麥克風和錄音設備。

5.1.2.2要求環(huán)境底噪<35dBSPL，混響時間<150ms，采樣率48KHZ；樣長16bit。語音平穩(wěn)，語音振幅

不高于-3dBFS，不低于-9BFS，不能出現(xiàn)截幅，噴麥現(xiàn)象。

5.1.2.3從文本合成語音的準確性應達到95%。不應有包括缺失聲音、過度發(fā)音、語調錯誤等語音錯誤。

5.1.3動畫

5.1.3.1數(shù)字人能夠根據(jù)通過語音或者文字進行動畫的輸出，包括唇部可以根據(jù)輸入的語言信息自動

生成唇部動畫參數(shù)，頭部旋轉要符合語音的時間序列節(jié)奏特征，整體身體協(xié)調多模式運動。

5.1.3.2能夠在語音輸入時快速生成對應的2D人像動作和表情，驅動延遲小于50毫秒；生成的2D人

像動作和表情需要自然流暢，能夠與語音輸入形成良好的協(xié)調性。

6技術能力

播報視頻輸出能力

文旅2D數(shù)字人擁有輸入文字和上傳語音生成播報視頻的能力。

語音互動能力

文旅2D數(shù)字人語音識別準確度應達98%，語義識別準確率達95%，以確保數(shù)字人能夠正確地理解用戶

的語音指令和問題。

多語言溝通

文旅2D數(shù)字人宜具備包括各地方言在內的多語言溝通能力，以適應不同的用戶需求和語言環(huán)境。

多模態(tài)輸入

該模塊用于接收用戶輸入信息，支持文本、語音、圖像和觸摸控制等各種輸入方式。

多模態(tài)輸出

多模態(tài)輸出：該模塊用于通過語音、動畫或其他形式輸出交互結果。

7文旅數(shù)字資源庫

文化旅游資源數(shù)字化

3

T/WLLXXXX—XXXX

宜對文化旅游資源進行收集、整理、上傳、數(shù)字化，在充分尊重和保護版權的基礎上，提供各類數(shù)

字文化資源的存儲、管理、展示、推廣等服務。

特色檔案庫

對A級景區(qū)、風景名勝區(qū)、名人著作、地方特色、地方方言、數(shù)字文獻、非物質文化