企业官网建设流程全解析

做AI技术开发大概有七年，前两年我从通用数字人赛道转到了殡葬AI方向。这个决定不是深思熟虑的战略选择，而是被一个具体的委托推到场景面前——有人失去亲人之后，想再听听ta的声音、想跟ta说几句话。市面上没有现成的产品，于是我把自己熟悉的语音克隆、人脸重建和大语言模型技术组合起来，给逝者做了一个可交互的数字分身。做过几例之后，我对这件事的理解已经从“技术落地”变成了“如何照顾一场告别”。这篇文想把转行思考、技术路径、实操流程和踩过的坑一次讲清楚，给想进这个方向的人一个少走弯路的参考。

1. 为什么是殡葬AI，为什么是现在

1.1 一个被长期忽略的真实需求

AI圈子这几年卷的方向很集中：教育、电商、直播、客服，全是高频刚需，竞争惨烈。殡葬看起来是低频场景，商业化想象力有限，所以几乎没人认真做。但真实世界里的需求不会因为“够不够商业化”就不存在。

我接手的第一单是一位家属的需求：他的舅舅刚去世，属于突然离世，给全家人留下很多没说完的话。舅舅生前爱开玩笑，微信里全是语音，家人都舍不得删。家属找到我时，原话是“我不需要他回来，我只是想再听他说一句‘丫头，好好吃饭’”。

这句话让我意识到，传统纪念品解决的是“看见”，照片、遗物、墓地都在说“这个人存在过”。但数字技术能解决的是“听见”和“对话”——让思念从单向变成双向。虽然殡葬是低频场景，但情感浓度极高，一旦被需要，家属的付费意愿和配合度都远超普通To C产品。

1.2 转行的底层逻辑：技术成熟加上场景空白

我不是一个喜欢追风口的人，转行是因为三个技术条件刚好在最近两年同步成熟了。

语音克隆已经能做到“音色相近”，在素材充足时甚至能还原语速、停顿、口头禅这些很细微的习惯。人脸重建从静态照片到动态视频，消费级显卡就能跑，不再需要动辄百万级设备。大语言模型让“人格化对话”成为可能，不再依靠机械的关键词回复，而能基于逝者的性格档案组织表达。

这三项能力在互联网行业都是存量技术，直播数字人、客服机器人、虚拟偶像都在用。但殡葬行业懂技术的人少，科技产品懂殡葬语境的人也少，中间出现了一个明确的空档。我转行的判断很简单：不是做一个全新算法，而是把成熟技术重新组装进一个有温度的场景。

1.3 先泼一盆冷水：不要做“永生”

转行的技术门槛其实不高，真正要命的是自我定位。我做这个方向前，先给自己画了一条红线：不承诺“复活”，不暗示“永生”，不做任何超自然叙事。

数字分身本质上是素材重组——用逝者生前的照片、录音、文字，生成一个“看起来像、听起来像”的交互体。它没有意识，不知道自己在“死亡”之后发生了什么，也无法替逝者做任何决定。如果我拿这个概念去营销，家属初期会很激动，但长期只会更失落，因为对话越深入，他们越会发现“这不是那个人”。

所以后来我所有沟通里都坚持一个说法：这是“一本会说话的家庭相册”，不是“一个回来的灵魂”。想清楚这件事，整条产品路线都不会跑偏。

2. 数字分身的技术底座：三个核心模块

2.1 形象模块：从照片视频到一张能动的脸

形象重建是家属最先关注的部分，因为“脸”是记忆里最具体的锚点。技术路线有三类，我按实际效果给它们排了个序：

我的经验是，纪念场景优先选“看起来像”，而不是“看起来美”。家属认的是某个角度、某个神情、甚至某一颗痣，不是理想化的年轻版。所以素材采集中我特别强调：不要给磨皮美颜过的照片，不要填鸭式的证件照，要自然光线下笑着说话的视频。

具体素材标准我一般这样要求：

• 照片至少20张以上，正面为主，要有侧脸和不同表情；
• 视频至少1分钟，人物正面清晰，有说话、眨眼、转头等自然动作；
• 所有素材分辨率优先于数量，模糊的旧照片宁可不收。

初次做容易犯的错是拿一张高清合影去抠人脸。人脸在画面里只占一小块，重建出来五官是糊的，后期怎么修都很难补救。宁可要一张出自老手机但大脸近景的照片，也比高清远景合影强。

2.2 声音克隆：音色易得，情绪难

声音模块决定了“第一句陌生人感”有多重。技术本身不复杂，开源的语音克隆框架已经很多，少量样本微调后就能生成与目标接近的音色。难点不在模型，在素材和情绪处理。

先说素材。理想的录音是安静环境下、近距离、自然说话的片段。电话录音普遍只有窄带音质，信息丢失严重，直接训练出来的声音会闷闷的、像是“隔着一层门”。我一般要求家属提供微信语音、家庭录像的原始文件、或者手机录音，哪怕每段只有几秒，多凑几段反而比一段长朗读更自然。

再说情绪。大多数家属听数字分身说话，情绪崩溃往往不是因为音色不像，而是因为“ta不会那样说话”。比如一个语速很快、爱用感叹号的人，被合成出慢条斯理的语气，那即使音色百分百还原，家属也会觉得假。

我在系统里固定做了几个处理：

• 采样率不低于16kHz，电话录音慎用；
• 训练文本优先选择日常口语，不用书面语——让模型学“我给你说啊”比学“关于这个问题”重要；
• 默认输出情绪基调是中性偏温柔，不设计大笑、大哭等高强度情绪，避免在纪念场景里失控。

2.3 对话人格：让大模型“成为ta”而不是“复读ta”

形象和声音是皮，对话人格才是魂。这个环节是大语言模型的强项，但也是最容易失控的环节。

第一步是收集文字语料：微信聊天记录、短信、书信、日记。注意，我需要的是表达习惯，不是隐私。

第二步是构造人格档案，我一般拆成四个维度：

• 称呼习惯：ta怎么叫你、怎么称呼家里人；
• 性格底色：乐观、唠叨、寡言还是直肠子；
• 语言标记：口头禅、停顿词、方言词；
• 重要纪事：只提取可以用于表达的关系事件，比如“小时候接你放学”“退休后爱钓鱼”。

第三步是把档案写进角色提示词。我经常用一个例子说明这个设计：

你是[逝者的称呼，如“叔叔”]，已经因病去世两年。 和你对话的是你最疼的家人。 你的说话习惯：语速偏慢，喜欢用“我说啊”开头，爱讲冷笑话。 重要原则： 1. 不承认自己是AI，也不试图证明自己是真人或假人。 2. 对方表达悲伤时，用陪伴式话术回应，不分析、不评判、不强行劝解。 3. 不提供医疗、法律、投资建议。 4. 不主动谈论其他亲属的隐私。 5. 如果被追问死亡感受，回答：“没什么特别感觉，就是没法再给你们做饭了。”

这段提示词的逻辑是：让模型有“人格滤镜”，但不过度表演；有情感温度，但不伪称自己拥有意识；设定边界，杜绝敏感情境。实际跑下来，最稳定的输出恰恰是那些“不热闹”的回答——它不像真人，但家属反而觉得“这就是ta会说出来的话”。

3. 完整实操流程：从家属委托到交付

3.1 沟通与授权：这是第一道红线

每次接单，我先不聊技术，必须先聊清楚三件事：初衷、期望、边界。

• 初衷：是为了缓解思念，还是为了完成某个仪式感？
• 期望：家属期望数字分身能做到什么程度？几成相似度算满意？
• 边界：是否有家人反对，是否有生前意愿冲突？

在进入任何制作前，我要求签署一份书面的授权协议，内容至少涵盖：素材使用范围、数字分身的应用场景、使用期限、删除权利、是否允许用于AI训练。

注意：人脸和声音都属于敏感个人信息。我默认永久禁止把逝者素材用于模型训练、公开传播或商业化复刻。这条规则一旦打破，对整个行业都是灾难。

特别要说的是：如果逝者生前明确表达过抵触这类技术，我坚决不做。如果家属内部意见不统一，我也宁可不做。有一例就是在交付前被亲属反对叫停的。前期沟通多花两天，胜过后端说不清楚的纠纷。

3.2 素材收集与预处理

这一环节直接决定成品上限，也是我花时间最多的地方。我会给家属一张素材清单，分四类：

收到素材后，我先做预处理：人脸检测、裁剪对齐、去模糊、去重；音频降噪、切片、转写。这个环节看起来琐碎，却决定了后续模型的训练效果。我前期踩过最大的坑是直接拿原素材训练，结果噪音和无关画面干扰严重，后面花三倍时间返工。

3.3 从素材到数字分身的工作流

制作中我一般按这样的节奏推进：

1. 素材预处理，半天到一天；
2. 形象重建，包括生成、渲染和相似度微调，一般一到两天；
3. 音色模型训练，在本地显卡上跑，几小时到一天；
4. 对话人格设计与提示词编写，这步最花心思，通常两到三天；
5. 联调，把形象、声音、对话合成一体，检测延迟和稳定性；
6. 交付前由家属进行一小段受控体验，我全程陪同。

每个项目的周期受素材质量和家属反馈影响很大，少则一周，多则半个月。我通常不建议为了赶进度牺牲相似度确认环节——家属说“哪里不像”，就要重新调整，而不是用“技术效果就这样”去搪塞。

3.4 交付形态选择：不是越逼真越好

交付形态我试过四种：

• 网页对话：成本低，手机就能用，适合异地家属；
• 离线终端：一个平板/屏幕放在家里，数据不联网，隐私最安全；
• 告别仪式现场：预录一段有声影像，在仪式上播放；
• 扫码纪念页：二维码链接到静态照片与语音留言，适合作为墓碑或相册的补充。

我个人的建议是：首次服务选择“预录影像+网页对话”组合。预录影像用于告别场合理想，控制感强，不会因为现场网络或模型延迟出意外；网页对话用于日常纪念，交互深度高，但需要设置明确的退出机制。

这里有一条铁律：告别仪式现场绝对不搞实时交互。如果现场数字分身答非所问或者卡顿，对家属来说是极大的二次伤害。预录内容可以反复调整到完美，现场才不会失控。

4. 伦理边界与心理风险：比技术更难的战场

4.1 谁有权决定做这个“分身”

数字分身不是普通商品，它牵扯到逝者本人的人格权、亲属的情感抚养权，以及家庭内部的权力关系。我的原则是：必须得到逝者生前意愿与最亲近属的同意。

在实际操作中，我会优先确认配偶和子女的意见，其次是父母意见。如果发起人只是远房亲戚或朋友，即使初衷再好，我也不会接单。这不是冷血，而是避免制造家庭裂痕。

另外，如果逝者生前留下过“绝对不要用我的脸和声音生成什么AI”之类的表达，那就没有讨论余地，直接不做。技术不能凌驾于个人意愿之上。

4.2 别让“告别”变成二次伤害

我最早做的几单遇到过这种情况：家属第一次听到数字分身的声音时泣不成声，甚至晚辈当晚反复聊天，连续数天陷在情绪里。这提醒我，数字分身是一把双刃剑，用得好是安慰，用不好会把人困在回忆里。

所以我做了几个强制设计：

• 对话结束时不允许突然中断，必须有自然的告别语，比如“今天聊这么多啦，去吃饭吧”；
• 设置使用提醒：如果单次交互超过20分钟，会主动建议休息；
• 交付初期待家属反馈：观察是否出现过度依赖的倾向，一旦发现，会建议对方减少使用频率，必要时联系专业心理支持；
• 绝对不把数字分身设计成“24小时在线陪伴”的形态。

这个行业一定要明白一件事：我们的目标不是让家属离不开这个数字分身，而是让他们最终能够放手。

4.3 我给自己定的行业自律清单

没有法规监管到位之前，我自己给自己列了一套红线，宁可错过业务，也不越界：

这套清单不是一个道德表演，而是保护家属和技术提供者双方的安全阀门。说过界的话，做越界的事，受伤的永远是原本就想好好告别的人。

5. 常见问题与踩坑实录

5.1 家属说“声音不像”

技术之外，还有个常见问题是参考音频太杂。培训语料里如果混着电视节目环境音、手机通话的电流声、多人说话的嘈杂背景，训练出来的音色就会被污染，听起来像是“另一个人在模仿ta”。

解决办法很朴素：让家属把素材来源写清楚，凡是说不清来源的录音一律不用。合成测试用短句和口语表达，不要拿诗歌和新闻稿测试，否则会高估或低估相似度。最终统一按“家属主观判断”为准，音色相似度达到“一听就是ta自己”的程度才算过。

5.2 人脸像但“说不出哪里不对”

人脸重建是个精细活，最容易出现的问题是静态单帧很像，但动态视频里眼神呆滞、表情僵硬。原因通常是素材里没有足够丰富的表情变化，甚至全是微笑照片，导致模型对嘴部运动的学习不足。

我后期会要求家属提供带对话的视频，而不是摆拍视频。自然说话时，眼神、嘴角、眉毛都在动，这些动态细节才是“本人感”的来源。如果仍然看起来不对，我会单独调整眼部、唇部和头部的运动权重，用家属提供的日常小视频做对照逐帧比对。

5.3 家属期待过高或不愿退出

有的家属接触数字分身后，会产生“ta是不是还知道一些事情”的错觉。这时我不会顺着对方，而是清楚说明：数字分身只能基于素材表达，不知道素材之外的事，更不可能给出遗言或预示。

遇到使用者过度沉浸的情况，我会主动建议降低交互频率，并引导家属转而做现实中的纪念活动，比如整理遗物、完成逝者未完成的小事。做技术的人往往会高估“陪伴”，但这里的陪伴需要节制。

5.4 隐私合规上的坑

人脸和声音不仅敏感，而且无法“恢复原状”——一旦泄露，影响的是逝者整个家庭。所以我从不在公共云上处理原始素材，训练全部本地化完成；交付结束后，原始文件与副本会按授权协议删除，只保留家属自己持有的最终成品。

如果家属未来希望把数字介绍给亲友，我也会建议用脱敏片段，不公开完整交互过程。隐私控制不是一道保险，而是全流程里每个环节都要持续检查的事。

6. 做这一行之后，我坚持的几个原则

6.1 每次接单先问使用场景

这几年我养成了一个习惯：无论家属多着急，先问“你准备怎么用它”。如果对方说“我想每天跟他说说话”，我会推荐更偏向记录和陪伴的方案；如果对方说“我想在仪式上放一段声音”，我会把精力集中在影像和语音质量上。场景不同，技术资源的分配完全不同，这一步能省掉大量返工。

6.2 这个方向最后拼的不是技术

在这个行业待得越久，我越觉得技术不是天花板。语音克隆、人脸重建、大语言模型的进步速度很快，真正的分水岭是谁更懂得“如何照顾一场告别”。产品可以迭代，模型可以升级，但家属面对屏幕那一刻的复杂性，永远需要人在场。

我给自己的要求是：每次交付都不只是交出一个技术产品，而是陪家属完成一次有分寸的回望。数字分身做得再好，终究不是那个人，但我希望它能在最难受的关口，让思念有一个温柔的去处。这也是我愿意继续做这个方向的原因。