近日，一段AI女演员接受访谈的视频在网上热传。画面中的AI形象口型自然、表情生动，可就在主持人提问之后，它突然停顿、卡壳几秒，紧接着开口说起了粤语，与此前的普通话回答风格完全不符。这段"翻车"片段很快被网友截图转发，话题登上热搜。
看似有趣的背后，其实暴露出当前AI数字人技术的几个现实瓶颈。首先是语音与语义的对齐问题：数字人在生成回答时，语音模型和文本模型偶尔会出现不同步，导致口型、语气和内容脱节，甚至出现语言切换错误。其次是实时交互的容错能力不足，一旦遇到超出训练分布的问题，系统容易"懵住"，出现停顿、重复或答非所问。
不过，业内人士也指出，这类小瑕疵恰恰说明数字人正在从"录播式表演"走向"真正可对话"的阶段。过去的AI主播只能念预设好的稿子，而现在能在访谈中实时接话，哪怕偶尔出错，也是技术迭代过程中的正常现象。随着大模型上下文理解能力和语音合成稳定性的提升，这类"卡壳"场景会越来越少。
对普通观众来说，不妨把它看成一次技术进步的注脚：AI数字人已经能够以假乱真地出现在屏幕上，但要真正成为稳定、自然的交流对象，还有很长的路要走。
