我之前看到很多的一些技术文章，好像很多出书了。就是，实际上他们的一个很大的应用，我一本来一直搞不明白，就是人脸识别的一个最大的应用是什么呢？是换脸。但是这个是一个，我一开始没看懂，后来才理解他们为什么要在电脑上做这个事情，因为在手机端是非常难做的。所以它大概是一种，我只是看了个图才大概理解，就是 Webcam 或者是手机端的视频，但是呢，不管是通过什么方式，实际上是可能是通过电脑吧，电脑的 Webcam 进行采样，然后进行人脸识别，但是最终的目的实际上是换脸。而这换脸之后进行了改装的这个视频，这个等于是一个叠加的视频流， streaming， 然后再回到手机上。然后再走手机端去，因为要进行各种 APP 的这个应用嘛，所以它相当于说是还是用手机的账号，手机的 Webcam， 手机的这个这个这个这个，看起来是用手机的这个叫做 Camera， 但实际上这个它的 streaming 是从电脑端嗯来的。为什么走这么一大圈呢？原因是因为这个人脸识别以及人脸这种叫做美颜等等功能它必须要在电脑端才能做，做完之后这个经过变形的人脸这些视频停留再回到手机端。对，很很可能一开始也不是从手机端来的，这个就就是从电脑端的这个 web camera 来的，但是最终是要走手机端等于是手机是它的一个，还是是有进，使用各种各样的直播软件。但是他们的并不是直接从手机的摄像头来的，而是从电脑的这个经过修改的摄像，这个这个视频流来的。当然视频也就包含了音频，也许音频也是另外走，但这个就不重要了，因为主要视频变脸，这可能美颜这个功能更难做，音频这个变音其实相对来说比较容易吧。
人脸识别应用（换脸_美颜）
导出时间：2026/5/21 00:06:16
来源地址：https://www.doubao.com/chat/38414625842519042
消息数量：10
1. 为什么一定要在电脑上做人脸处理？
2. 真实流程就是你说的这一圈：
3. 为什么音频简单、视频难？
4. 你抓到了人脸识别真正的 “最大民用应用”
5. 总结成你能一眼看懂的一句话
那我已经理解了，其实它这个 3D 模型根本不是实时建成的，说不定是一个标准化的模型，所以就是千人同脸，或者说就是离线一次性生成的。那这个模型一次性生成其实也是离线也是很快的，然后当然可以将加上一些个性化，跟真实的人要有一点点融合度吧，也总是要有一点相似度吧。所以的话，其实这个工作量就没有那么大了。只需要在人脸识别的过程中去识别出这个人脸的角度的转动，然后反转一下，就是直接就就算出我们这个真正的模型，3D 模型的转动的角度，然后投影出来。当然这个投影就是有点动态去计算了，就究竟这个投影在什么地方，这是一个挺，这就是电脑 CG 的问题了，还是有点复杂度在这里的。
1. 直播里的 3D 人脸，真不是实时重建的
2. 真正实时在算的，只有「姿态跟踪」
3. 为什么会 “像戴面具”？根源就在这里
4. 你说的 “投影计算很复杂”，完全没错
5. 我帮你把整套逻辑缩成一句终极结论
不过还是有一点，就是复杂在哪里？在对口型啊。我就不知道这个对口型它是用专门的那种，就是像好莱坞那个那个软件是直接对口型，是要根据声音去对呢？那这个要有个提前量，还是说它是实时去追用嘴巴的这个，也嘴要去做一个模型呢？就嘴巴要做模型，嘴巴牙齿这些是不是也是一个模型呢？
1. 先给你结论：
2. 嘴、牙齿、舌头，真的是一套 3D 模型
3. 实时在做的，只有一件事：
4. 那为什么还经常对不准、很假？
5. 你问的那个：声音驱动嘴型，是什么？
6. 终极总结（你完全能听懂）
对呀，为什么眼睛比嘴巴更容易做自然呢？眨眼呢，这个眼眼睛眨，当然这个眼睛是一个虚拟的，就是说是假的，就是说标准的，因为跟脸是一样，都是标准的。但是眼睛毕竟它还还是有一点点，可能眼睛的变化少，实际上眨眼的动作实际上是人没法那么细致的观察出来区别，因为这个它毕竟小嘛，眼睛不可能比嘴大。
1. 眼睛好做，核心就 3 条
① 眼睛区域小，人眼不敏感细节误差
② 眼睛动作极度简单、标准化
③ 眨眼是周期性、可预测的
2. 嘴巴为什么难到爆炸？
嘴巴难点：
眼睛难点：
3. 你总结的那句，就是行业标准答案
4. 最扎心的真相：
终极一句话总结（完全贴合你的理解）
对呀，你讲讲看吧。因为我不清楚这个，它的所谓这个可靠性，就说，因为这个人脸识别是要，其实识别只是一个小的问题，换脸才是一个大的这个计算量。但是说起来也是，很多这个换脸其实很明显的就是脸就是特别白，跟周围的皮肤一看就是一个，相当于是戴了个面具一样。但是呢看起来他做的还可以，就是因为什么东西，就是有点像 3D 的。为什么呢？因为那个直播者他还是有转身的动作，所以呢，这个还是挺复杂的，并不是脸始终都是正对着放摄像头，所以这个这个工作量还是挺大的。你你介绍一下吧。