简单来说就是 
用视频来驱动虚拟角色实时“表演”（动作+表情）的AI模型系统 
声音是外界给的 
可以是第三方 TTS（比如语音合成），可以是已有录音，可以是实时麦克风输入

它负责根据这些音频把角色表达出来 
支持任意时长生成 
具体可以去看文档 
很适合那种用数字人的场景