9月28日，Meta宣布将于今年秋季起陆续为旗下雷朋Display智能眼镜与Quest头显上线Hologram全新虚拟形象功能。这项技术类似苹果Vision Pro的Persona，能够通过生成式AI打造与真人外观高度接近的虚拟形象。事实上，Meta早在七年前就展示过名为Codec Avatars的拟真虚拟形象项目，但直到今天，消费者能买到的Meta虚拟现实产品主要仍使用较为卡通化的自定义形象。按照目前的规划，后续Meta会逐步把用户形象从卡通化推向拟真写实化，而Hologram是这条路线第一次真正落到量产设备上。
拟真虚拟形象的技术难点，在于要让一个由模型生成的数字面孔在长时间对话中保持可信。卡通形象的优势恰恰是它不需要可信：观众不会期待一个卡通头像有真实的眼神与肌肉运动，因此模型的偏差不会被察觉。一旦转向写实，人眼对异常的敏感度会急剧上升，嘴角的细微不同步、眼神的轻微呆滞都会被立刻识别为不对劲。这也是为什么拟真形象的研究持续多年却迟迟没有进入消费产品：技术可行与体验可接受之间存在很长一段距离。
推动这次落地的因素有两个。一是生成式扩散模型的成熟，让实时生成高质量人像视频成为可能；二是硬件形态的变化，智能眼镜与头显本身就在用户面部，天然适合承载以用户本人为原型的形象系统。从产品角度看，拟真形象解决的是一个具体问题：在视频通话中，用户未必希望对方看到自己当下的真实状态，比如刚起床、在旅途中或在杂乱的环境里。用一个由AI生成、外观接近自己的形象替代摄像头画面，既保留了面对面的社交感，又提供了对自身呈现方式的控制权。
据Meta介绍，雷朋Display版本的Hologram采用运行在Meta服务器上的实时生成式AI扩散模型，以眼镜麦克风采集的音频作为输入，实时生成2D视频流发送给通话另一端。这里最关键的设计是，面部表情主要根据用户说话时的声音变化生成，而不是直接使用摄像头捕捉真人画面。这意味着整个链路里没有视频采集环节，只有音频上行与生成视频下行。
以音频驱动表情的技术路线，好处是隐私负担更轻，也降低了对摄像头画质与光照条件的依赖。但它的局限同样明显：声音能传达的信息有限，真正的表情还依赖视觉线索，比如点头、皱眉、眼神转移。如果模型只能从声音推断表情，那么在用户沉默倾听时，生成的形象就容易显得呆板。要在长时间通话中保持自然，模型需要具备从语音韵律、停顿、语气里推断情绪状态的能力，同时还要在用户不说话时生成合理的倾听反应。这类细节决定了拟真形象是可用还是只能短暂尝鲜。
Hologram在两个平台上的实现方式并不相同。雷朋Display眼镜端生成的是2D视频流，用于WhatsApp视频通话，对方看到的是一个平面的人像画面，这与传统视频通话的观感接近。Quest头显端则采用3D等身立体形式，当两名Quest用户通过WhatsApp进行视频通话时，双方会先在一个3D窗口中看到对方的Hologram，点击窗口旁边的按钮后，通话可以切换至全身模式，对方的虚拟形象会以接近真人的尺寸出现在用户面前。
两种形态对应不同的技术约束。2D视频流可以借助成熟的扩散模型生成，计算压力主要集中在服务端，终端只需解码播放；3D等身形象则需要额外处理空间位置、视角变化与身体动作，渲染与传输的开销都更高。这也解释了为什么眼镜端先以2D形式落地：在算力与功耗受限的可穿戴设备上，把生成放在云端、终端只负责显示，是当前更现实的选择。随着端侧推理能力提升，未来是否会把部分生成能力下沉到设备本地，将直接影响延迟与隐私表现。
用户创建Hologram的过程需要提供相当多的生物特征数据。首次使用时，用户要打开手机上的Meta AI应用，按提示转动头部、微笑，随后系统会提出一些开放式问题，要求用户进行较长时间的回答。在回答过程中，系统采集用户的面部表情与说话状态用于训练和调整模型，同时记录用户的服装与背景。整个创建过程只需几分钟，完成服务器端处理后即可生成。这套流程收集的是人脸几何、表情习惯与声音特征的组合，属于敏感度最高的数据类别之一。
由此带来的问题是双重的。一方面是数据安全，一旦这些模型与素材泄露，被伪造的风险远高于普通照片；另一方面是身份冒用，当一个人的拟真形象可以被生成，如何确认通话另一端是本人而非合成结果，就成了新的信任问题。行业目前的应对方向是给生成内容加水印与来源标记，但这只能证明内容是AI生成的，无法证明说话者是否得到了授权。Meta表示目前版本仍有改进空间，人物尺寸可能与真人存在轻微差异，眼睛等细节在部分情况下会显得较为粗糙，用户向侧面倾斜过多时形象还会变形。这些技术瑕疵在短期内反而起到了一定的保护作用，但随着效果逼近真人，围绕形象授权与身份验证的规则会成为行业必须补齐的一环。