GB/T 48346-2026 3D虚拟数字人质量指标分级方法

前言

本文件按照 GB/T 1.1—2020《标准化工作导则 第1部分:标准化文件的结构和起草规则》的规定起草。

本文件采信世界超高清视频产业联盟发布的 T/UWA 019—2023《3D 数字人质量分级技术要求》。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由全国信息技术标准化技术委员会（SAC/TC 28）提出并归口。

本文件起草单位:中国电子技术标准化研究院、咪咕文化科技有限公司、歌尔股份有限公司、北京津发科技股份有限公司、北京市商汤科技开发有限公司、科大讯飞股份有限公司、中国政法大学、中央民族大学、中兴通讯股份有限公司、应急管理部天津消防研究所。

本文件主要起草人:程璐、潘榕、毕蕾、张亚男、向安玲、耿一丹、赵起超、石磊、严庆安、徐柏琦、殷兵、何山、施文哲、刘彦宾、李琳、王雷、高山、宋文琦、姜芊叶、郭影起、孟凡芹、梁华、张江、常宇晗。

引言

T/UWA 019—2023《3D 数字人质量分级技术要求》于 2023 年由世界超高清视频产业联盟正式发布并实施，旨在定义 3D 真人形象数字人视觉和交互效果的分级方法，以对 3D 真人形象数字人应用效果作出分级，为供需双方根据场景需求选择数字人产品提供参考。

3 D 虚拟数字人质量指标分级方法

1 范围

本文件描述了 3D 虚拟数字人的人物效果、识别感知和交互反馈指标分级方法。

本文件适用于对 3D 虚拟数字人的设计、开发、测试和应用。

2 规范性引用文件

本文件没有规范性引用文件。

3 术语和定义

下列术语和定义适用于本文件。

3.1 虚拟数字人 virtual digital human

通过计算机图形学、计算机视觉和语音交互及人工智能生成内容（AIGC）等技术，进行形象、声音、动作等模型训练后，借助真人或计算驱动、在多模态输出设备呈现的虚拟人物。

[来源:GB/T 46483—2025，3.1]

3.2 3 D 虚拟数字人 3D vitual digital human

以三维立体形式呈现的数字人。

[来源:GB/T 46483—2025，3.4]

3.3 拟真度 realism

评价虚拟世界中的计算机图像、3D 模型、动画或游戏的真实感和逼真程度的度量指标。

注:它反映了数字世界与现实世界之间的相似程度。

3.4 精细度 sharpness

评价图像、模型或场景中细节的数量和质量的度量指标。

注:在计算机图形学和计算机视觉领域，精细度是衡量渲染质量和模型准确性的重要指标之一。

3.5 自然度 naturalness

评价言语或行为的表现是否符合自然、真实、真诚的程度的度量指标。

注:在人工智能领域，自然度能用来评估数字人或语音助手的交流能力和人机交互的质量。一个具有高自然度的数字人能够以流畅、自然的方式与用户交流，使用适当的语言和表情回答问题，给予用户满意的体验。

3.6 面部动画参数 face animation parameter；FAP

用于控制面部特征的位移和角度，并描述语音对应口型、面部表情及其组合变化的参数。

[来源:ISO/IEC 14496⁃2:2004，3.15，有修改]

3.7

身体动画参数 body animation parameter；BAP

用于控制人体关节运动，并描述身体姿态及人体表面的形变的参数。

[来源:ISO/IEC 14496⁃2:2004，3.66，有修改]

4 分级指标

4.1 分级维度

基于用户体验，可分为三个维度的指标参数，如图 1 所示。人物效果:用户能直观感受和察觉的数字人特征，目前主要包括视觉效果和语音效果；识别感知:数字人形识别和察觉用户和外部输入信息的能力，例如对用户语音、人脸、手势的识别等；交互反馈:数字人与用户互动的能力，例如对话交互、表情反馈、动作反馈等。

4.2 人物效果

3D 虚拟数字人面部表情、结构、动作等人形特征与真实人类相似的程度。

3D 虚拟数字人形象的精细程度，包括 3D 虚拟数字人模型毛发、牙齿、皮肤等细节呈现精细度。

3D 虚拟数字人可呈现的表情丰富度，使用 FAP 参数覆盖度衡量。

3D 虚拟数字人说话时嘴唇动态效果。着重分析嘴唇运动和发音过程，使其与配音内容同步，增强人物形象的真实感和表达能力。

3D 虚拟数字人语音合成或真人发音的感知自然度。

3D 虚拟数字人动作丰富度，使用 BAP 参数覆盖度衡量。

4.3 识别感知

3D 虚拟数字人对用户进行语音识别的性能表现，反映 3D 虚拟数字人对用户自然语音指令的识别准确程度，体现对语音信息的捕获与转换能力。

3D 虚拟数字人对用户进行人脸识别的性能表现，反映数字人对人脸特征的定位与匹配能力。

3D 虚拟数字人对用户进行手势识别的性能表现，反映数字人对手势姿态、动作轨迹的捕捉与判别能力。

4.4 交互反馈

3D 虚拟数字人和用户完成自然对话的性能表现，反映数字人对话能力。

3D 虚拟数字人和用户表情交互的性能表现，反映数字人表情交互过程中正确理解用户表情并反馈正确表情的能力。

3D 虚拟数字人和用户动作交互的性能表现，反映数字人动作交互过程中能正确理解用户动作并反馈正确肢体动作的能力。

数字人的声音、动作、表情三项的匹配度，如出现音频提前或滞后、表情多余、缺失，肢体动作延迟、肢体动作错位等均视为不一致。

3D 虚拟数字人语义理解的性能表现，反映数字人正确判断用户操作意图及语义要素的能力。

3D 虚拟数字人在连续交互过程中，其输出内容在逻辑、事实及立场上保持前后自洽的性能表现，如出现上下文矛盾、强行关联或过度推理等均视为不自洽。

用于表征 3D 虚拟数字人系统在真实交互场景下的实时响应性能。

5 分级要求

5.1 总体原则

基于以上分级指标，将 3D 虚拟数字人从人物效果、识别感知、交互反馈三部分进行分级，每部分评级为该部分每项评级总和的平均值向上取整，测试方法见附录 A。

不同 3D 虚拟数字人应用场景，应评测的指标有差异，具体按照表 1。

一级指标	二级指标	3D虚拟数字人应用场景
		非交互场景	基于环境识别感知场景	用户交互场景
人物效果	面部拟真度	●	●	●
	视觉精细度	●	●	●
	面部动态效果	●	●	●
	唇动效果	●	●	●
	语音自然度	●	●	●
	肢体动作效果	●	●	●
识别感知	语音识别准确率	○	●	●
	人脸识别正确率	○	●	●
	手势识别准确率	○	●	●
交互反馈	对话交互完成率	○	○	●
	表情反馈正确率	○	○	●
	动作反馈正确率	○	○	●
	对话、表情、肢体行动的一致性	○	○	●
	语义理解正确率	○	○	●
	交互逻辑自洽率	○	○	●
	平均响应时延	○	○	●
注:“●”表示必要指标项,“○”表示可选指标项。

5.2 分级标准

人物效果主要评估 3D 虚拟数字人的外观和表现。这包括外貌、语音、动作等方面，以及与真实人物的相似度和真实感。人物效果的好坏会影响用户对数字人的接受程度。主要是应用在影视制作、广告宣传、数字人播报等非交互场景数字人的评级。分级具体要求按照表 2。

一级指标	二级指标	分级
		1级	2级	3级	4级	5级
人物效果	面部拟真度%	≤39	40~59	60~79	80~89	90~100
	视觉精细度%	≤39	40~59	60~79	80~89	90~100
	面部动态效果%	≤39	40~59	60~79	80~89	90~100
	唇动效果%	≤39	40~59	60~79	80~89	90~100
	语音自然度	1	2	3	4	5
	肢体动作效果%	≤39	40~59	60~79	80~89	90~100

识别感知是指 3D 虚拟数字人对周围环境和用户的感知能力。它包括语音识别、人脸识别、手势识别等功能，在与用户交互的过程中，能够准确地理解用户的需求和指令。主要是应用在基于环境识别感知场景的数字人，如智能输入助手、智能家居等。分级具体要求按照表 3。

一级指标	二级指标	分级
		1级	2级	3级	4级	5级
识别感知	语音识别准确率%	≤39	40~59	60~79	80~89	90~100
	人脸识别正确率%	≤39	40~59	60~79	80~89	90~100
	手势识别准确率%	≤39	40~59	60~79	80~89	90~100

交互反馈是指 3D 虚拟数字人在特定情境下根据用户需求做出的反应和决策能力。这包括从用户提供的信息中进行分析和推理，做出适当的回应等，主要用于智能客服、数字员工等场景。分级具体要求按照表 4。

一级指标	二级指标	分级
		1级	2级	3级	4级	5级
交互反馈	对话交互完成率%	≤39	40~59	60~79	80~89	90~100
	表情反馈正确率%	≤39	40~59	60~79	80~89	90~100
	动作反馈正确率%	≤39	40~59	60~79	80~89	90~100
	对话、表情、肢体行动的一致性%	≤39	40~59	60~79	80~89	90~100
	语义理解正确率%	≤39	40~59	60~79	80~89	90~100
	交互逻辑自洽率%	≤39	40~59	60~79	80~89	90~100
	平均响应时延ms	>3000	2000~3000	800~2000	300~800	<300

附录 A（资料性） 3D 虚拟数字人测试及参数计算方法

A.1 测试环境

网络环境:被测系统所在的互联网服务，网络条件应满足上行带宽不低于 100 kbit/s，下行带宽不低于 50 kbit/s，并保持稳定的联通状态。

语音交互噪声环境要求如表 A.1 所示。

噪声环境	传声器处的环境混响时间s	信噪比dB	传声器处的环境噪声声压dB(A)
低噪	0.65	20	≤45

A.2 人物效果

测试步骤如下:

a） 抽取 N 张数字人图片；
b） 使用具备行业公认基准评分能力的算法对数字人人脸进行评分，使用 100 张示例作为分箱标准，对最终图片的人脸拟真度进行分箱；
c） 邀请 k（k≥3）位有专业背景知识的测试人员进行面部拟真度分箱判断；
d） 根据公式（A.1）计算主客观一致性比率为面部拟真度。

R = (N_c)/N ×100 %(1)

式中:

R ——主客观一致比率；

N_c 算法与测试人员分箱结果一致的样本数量；

N ——参与评测的总样本数量。

测试步骤如下:

a） 抽取 N 张数字人图片；
b） 通过图像清晰度算法计算数字人的不同位置图片的精细程度，对不同位置的锐度根据视觉的重要程度进行加权计算作为最终的视觉精细度，对最终加权的精细度得分进行分箱得出分值；
c） 邀请 k（k≥3）位有专业背景知识的测试人员进行视觉精细度分箱判断；
d） 根据公式（A.1）计算主客观一致性比率为视觉精细度。

测试步骤如下:

a） 根据产品说明书或相关说明文档，查看在 MPEG⁃4 定义的 66 个 FAP 中该产品实际支持的 FAP数量；
b） 根据公式（A.2）计算面部动态效果。

F = (N_f)/66 ×100 %(2)

式中:

F FAP 覆盖度；

N_f 实际支持的 FAP 数量。

测试步骤如下:

a） 抽取一段 30 s 的数字人视频；
b） 邀请 5 位有专业背景知识的测试人员，用打点计数的方式来统计，根据公式（A.3）计算唇动效果。

L = (N_t - N)/(N_t) ×100 %

式中:

L 唇动效果；

N_t 总字数；

N 唇动异常字数。

参考 GB/T 36464.4—2018 中 5.2.3 进行评测。

测试步骤如下:

a） 根据 产 品说明书或相关说明文档，查看在 MPEG⁃4 定义的 168 个 BAP 中该产品实际支持的FAP 数量；
b） 根据公式（A.4）计算肢体动作效果。

B = (N_f)/168 ×100 %(4)

式中:

B BAP 覆盖度；

N_f 实际支持的 BAP 数量。

A.3 识别感知

依据系统中语音识别用途的不同，参考 GB/T 36464.4—2018 中 5.2.2 进行评估。

测试步骤如下:

a） 基于具备行业公认基准评分能力的数据集，使用 100 张示例供数字人识别；
b） 邀请 k（k≥3）位有专业背景知识的测试人员进行人脸识别正确率判断；
c） 根据公式（A.5）计算人脸识别正确率。

R = (N_c)/100 ×100 %(5)

R 人脸识别正确率；

N_c 正确识别样本数。

参考 GB/T 46483—2025 中 7.2 进行评测。

A.4 交互反馈

测试步骤如下:

a） 基于具备行业公认基准评分能力的算法，基于语料库测试结果执行分箱处理；
b） 邀请 k（k≥3）位有专业背景知识的测试人员进行是否完成对话交互的分箱判断；
c） 根据公式（A.1）计算主客观一致性比率为对话交互完成率。

测试步骤如下:

a） 基于具备行业公认面部动作编码系统给出表情识别与分类；
b） 邀请 k（k≥3）位有专业背景知识的测试人员进行表情反馈判断；
c） 根据公式（A.1）计算主客观一致性比率为表情反馈正确率。

测试步骤如下:

a） 基于具备行业公认人体姿势识别方法给出判别分箱；
b） 邀请 k（k≥3）位有专业背景知识的测试人员进行动作反馈判断；
c） 根据公式（A.1）计算主客观一致性比率为动作反馈正确率。

测试步骤如下:

a） 抽取一段 60 s 的数字人视频；
b） 邀请 5 位有专业背景知识的测试人员，用打点计数的方式来统计，根据公式（A.6）计算对话、表情、肢体行动一致性效果。

L = (N_t - N)/(N_t) ×100 %(6)

L ——对话、表情、肢体行动一致性效果；

N
t
——总时长；

N ——对话、表情、肢体行动不匹配时长。

参考 GB/T 46483—2025 中 7.3 进行评测。

测试步骤如下:

a） 邀请 5 位有专业背景知识的测试人员进行 k（k≥10）轮对话；
b） 按公式（A.7）计算主交互逻辑自洽率。

P = (1 - (E₁)/k) ×100%(7)

P 多轮交互逻辑自洽率；

E₁ 出现逻辑矛盾、生硬解释或虚假关联的交互轮次；

k ——总交互测试轮次。

测试步骤如下:

a） 邀请 5 位有专业背景知识的测试人员进行 k（k≥5）轮对话，记录每轮测试人员发出指令时间点为 T，3D 虚拟数字人开始给出第一个反馈时间点为 t；

b） 使用公式（A.8）计算平均响应时延。

R = (Σ_i=1^k (t_i - T_i))/k (8)

R 平均响应时延；

t_i 第 i轮 3D 虚拟数字人开始首次反馈的时间点；

T_i 第 i轮测试人员发出指令的时间点；

k ——总交互测试轮次。

资源下载

此资源下载价格为5金币立即购买，VIP免费立即升级

1.本站大部份文档均属免费，部份收费文档，经过本站分类整理，花了精力和时间，收费文档是为了网站运营成本等费用开支；
2.购买会员:全部免费下载本站资源（或单次下载）即视为对网站的赞助、打赏，非商业交易行为（不认同此观点请勿支付）请慎重考虑；
3.所有收费文档都真实可靠，为了节约成本，文档在网站前台不做预览，如果付费后，与实际文档不符合，都可以加微信号：pdftj888申请退款；
4.付费下载过程中，如果遇到下载问题，都可以加微信号pdftj888解决；
5.手机支付，尽量选择支付宝支付；
6.如图集或者标准不清楚，在本站找不到您需要的规范和图集，希望增加资料等任何问题，可联系微信号:pdftj888解决；