不过，刘文称，动捕设备和3D建模都需要成本，效果越好的设备和模型成本越高，这导致不少虚拟主播入不敷出。
火星文化创始人李浩早在2017年就启动了虚拟偶像业务，目前旗下虚拟形象"默默酱"在全网粉丝已经超过1800万。他对贝壳财经记者表示，目前虚拟偶像在制作流程上大同小异，"首先使用建模工具制作3D模型并不断迭代，再通过动作捕捉技术驱动人物模型的动作，以及找一个'中之人'。"
李浩告诉记者，目前绝大多数虚拟主播采用"中之人"和动捕技术进行直播。"'初音未来'和'洛天依'最初发布时都是采用电子合成音，但从日本第二批虚拟偶像诞生开始，'中之人'开始大量使用，这是因为必须要让虚拟偶像在说话的时候更像人。目前在技术上，电子合成音说话和真人有相对较高的吻合度，但唱歌时就会产生明显的技术壁垒，无法有效处理喘息、气流音等效果，会让观众觉得'不对劲'，而采用动捕技术可以有效地降低制作成本。"
实际上，虚拟偶像直播比真人直播要难上一个数量级。据了解，目前面部动捕与身体动捕属于不同的技术，所以在极端情况下，当一名虚拟偶像出现在直播间，其面部、身体要由两个人分别携带动捕设备。此外，还需要技术人员将两块动捕动画进行合成，再与"中之人"的语音录制进行音视频合成，最终才能呈现出观众看到的直播间效果。
去年4月，"洛天依"与李佳琦同框直播的噱头引发一波关注。直播过程中，一度出现李佳琦能听到"洛天依"的声音，观众却听不见的"翻车事故"。
李浩向记者介绍，虚拟偶像背后往往需要一个团队来支持，"以'默默酱'为例，内容团队有十个人，包括导演、剧本、动捕人员、声优等。而技术方面，根据发布视频的不同，动画师还要对'默默酱'的模型进行修改。一条普通的短视频成本可能在6000元左右，几分钟的定制类视频成本则要数万元。"
