1.一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，执行如下步骤S1‑步骤S3，生成通过语音信号驱动的数字人动画：步骤S1：针对数字人进行特征编码和静态高斯参数预测，构建静态数字人模型，对静态数字人模型采用3D Gaussian Splatting软件捕捉并渲染数字人的基础形状和外观，采用反向传播方法训练静态数字人模型，获得训练好的静态数字人模型；

步骤S2：构建并训练语音驱动数字人合成系统，包含可优化全局提示模块、渐进式条件属性预测网络模块和双判别器架构模块；其中可优化全局提示模块生成全局提示，渐进式条件属性预测网络模块以音频信号、表情参数、视角参数，以及全局提示为输入，分阶段预测动态形变，将动态形变与静态数字人模型相结合，获得动态数字人模型，双判别器架构模块判别动态数字人模型与真实动态人脸图像；

具体步骤如下：

步骤S2.1：将音频信号a、经过处理的表情特征e、视角特征v及可优化的全局提示输入渐进式条件属性预测网络模块，分阶段预测动态形变 ；其中为全局位置偏移量、 为尺度变化量、 为旋转调整量、 为不透明度值变化量、 为球谐系数变化量；

步骤S2.2：将动态形变 与训练好的静态数字人模型 相结合，获得动态高斯参数 ，

为平均位置、为平均尺度、为平均旋转、 为平均球谐系数， 为平均不透明度值；动态高斯参数 构成动态数字人模型；

步骤S2.3：利用3D Gaussian Splatting软件，基于动态高斯参数 渲染生成合成动态人脸图像序列 ；

步骤S2.4：将合成动态人脸图像序列 和真实动态人脸图像序列 分别输入双判别器架构模块，双判别器架构模块包括空间判别器 和时间判别器 ，获得空间判别器和时间判别器输出的判别结果；

步骤S2.5：基于判别结果以及合成动态人脸图像序列 与真实动态人脸图像序列之间的动态损失函数 ，反向传播优化训练渐进式条件属性预测网络模块、可优化全局提示模块和双判别器架构模块，获得训练好的语音驱动数字人合成系统；

步骤S3：将语音信号输入到训练好的语音驱动数字人合成系统中，输出语音驱动的数字人动画，完成数字人动画的合成。

2.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S1的具体步骤如下：步骤S1.1：将数字人空间位置 输入多分辨率三平面 进行编码，获得特征向量 ，其中所述多分辨率三平面由三个正交的2D特征网格 构成，每个2D特征网格的形状为 ，H表示特征隐藏维度，R表示维度分辨率；

步骤S1.2：将特征向量 输入静态网络 ，所述静态网络 基于多层感知器构建，将特征向量 映射为静态高斯参数 ，包含平均位置 、平均尺度 、平均旋转 、平均球谐系数 和平均不透明度值 ，静态高斯参数构成静态数字人模型 ；

步骤S1.3：利用3D  Gaussian  Splatting渲染软件，基于静态高斯参数，对静态数字人模型 进行渲染，生成合成静态人脸图像 ；

步骤S1.4：将合成静态人脸图像 与真实静态人脸图像 输入空间判别器，获得空间判别器输出的判别结果；

步骤S1.5：基于判别结果以及合成静态人脸图像 与真实静态人脸图像 之间的静态损失函数 ，反向传播优化训练静态数字人模型，获得训练好的静态数字人模型。

3.根据权利要求2所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S1.5中所述静态损失函数 包括片段重要性均衡损失函数 、结构相似性D‑SSIM损失函数 、感知相似性LPIPS损失函数 以及对抗损失函数 ，其中：片段重要性均衡损失函数 的计算公式如下：；

其中， 表示像素数量， 表示合成静态人脸图像 中第i个像素的值，表示真实人脸图像 中第i个像素的值；

结构相似性D‑SSIM损失函数 的计算公式如下：；

其中， 表示可微分结构相似性D‑SSIM函数；

感知相似性LPIPS损失函数 的计算公式如下：；

其中， 表示网络层数， 表示预训练Alex‑Net网络的第j层的特征提取操作，和 分别表示第j层特征图的高度和宽度， 表示特征图中的像素位置；

对抗损失函数 的计算公式如下：

；

；

；

其中， 是空间判别器 对于合成静态人脸图像 的判别结果，是空间判别器 对于真实静态人脸图像 的判别结果， 是真实静态人脸图像 的标签， 是合成静态人脸图像 的标签，BCE表示二元交叉熵损失函数，MSE表示均方误差损失函数；

静态损失函数 的计算公式如下：

；

其中， 、 、 和 分别表示各项损失函数的权重系数。

4.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S2.1的具体步骤如下：步骤S2.1.1：预测动态数字人模型的全局位置偏移量 ；

步骤S2.1.2：在全局位置偏移量 的基础上，预测动态数字人模型的尺度变化量 和旋转调整量 ，精细化面部几何形状；

步骤S2.1.3：在面部几何形状的基础上，预测动态数字人模型的不透明度变化量 ；

步骤S2.1.4：在不透明度变化量 的基础上，预测动态数字人模型的球谐系数变化量。

5.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S2.4中空间判别器 的判别包括如下步骤：步骤S2.4.1.1：通过卷积神经网络提取输入的图像的不同尺度的特征，获得多尺度特征 ；其中 是原始分辨率图像经过卷积神经网络后得到的特征图， 是原始图像经过1/2下采样后，再经过卷积神经网络后得到的特征图， 是原始图像经过1/

4下采样后，再经过卷积神经网络后得到的特征图；

步骤S2.4.1.2：将多尺度特征 输入到多层感知机，获得空间判别器输出的判别结果。

6.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S2.4中时间判别器 的判别包括如下步骤：步骤S2.4.2.1：对输入的合成动态人脸图像序列进行2D傅里叶变换，提取频率域特征，随后将原始帧与其频率域特征 进行拼接，获得拼接特征 ；

步骤S2.4.2.2：对拼接特征 应用三维卷积用以捕获时序关联特征，利用局部注意力模块对获得的时序关联特征进行提纯；

步骤S2.4.2.3：采用二维卷积与多层感知器相结合的方式，生成相应的评分。

7.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S2.5中所述动态损失函数 包括静态损失函数 、时序对抗损失函数以及时间一致性损失函数 ，其中：静态损失函数 的计算公式与步骤S1.5中的静态损失函数 计算公式一致；

时序对抗损失函数 的计算公式与步骤S1.5中的对抗损失函数 计算公式一致；

时间一致性损失函数 的计算公式如下：

；

其中，T表示图像序列的帧数， 和 分别表示合成动态人脸图像序列中第t帧和第t+1帧的图像， 和 分别表示真实动态人脸图像序列中第t帧和第t+1帧的图像；

动态损失函数 的计算公式如下：

；

其中， 和 分别表示时序对抗损失函数、时间一致性损失函数的权重系数。

8.根据权利要求1所述的一种基于3DGS的高保真语音驱动数字人合成方法，其特征在于，步骤S3的具体步骤如下：步骤S3.1：将语音信号、表情参数和视角参数以及可优化全局提示模块生成的全局提示 输入到渐进式条件属性预测网络模块中，预测动态形变 ；

步骤S3.2：将动态形变 与静态数字人模型 相结合，获得动态高斯参数 ；

步骤S3.3：利用3D Gaussian Splatting软件，基于动态高斯参数 实时生成语音驱动的数字人动画。