AI语音驱动又称为虚拟形象语音动画合成技术（Voice-to-Animation），用户通过输入文本或语音，以一定规则或深度学习算法，生成对应的3D虚拟形象的人脸表情系数，完成口型和面部表情的精准驱动。

通过AI语音驱动技术，开发者可以快速构建丰富的虚拟形象智能驱动应用，如虚拟主持人、虚拟客服、虚拟教师等。

AI数字人生成

根据输入内容的不同（文本/语音），可以分为三种驱动方法：

1、语音驱动

将语音作为输入源，通过深度模型预测嘴型和面部微表情。这种方法的优点是不受限于不同人、不同国家，但是受到语音特性（音色、强度、噪声等）影响较大，较难提升模型的泛化能力。

2、音素驱动

将文本时间序列转换成音素时间序列，并将其输入到深度模型中，以预测嘴型和面部微表情。这种方法的优点是与语音无关，只与文本内容相关，不受语音特性变换影响。但是，这种模型受限于不同国家的文本语言（中英等）。

3、语音和音素多模融合驱动

融合语音和文本两个模态的信息，驱动系数更准确，效果更好，但模型更复杂。