AI内容安全风险里人格权侵权指什么

做内容功能时，团队常卡在一个模糊地带：模型输出的文字、图片、声音到底算不算侵犯了他人的姓名、肖像、声音或名誉。工程同学觉得只是「生成了一段文本」，法务同学却看到风险敞口。这篇不讲抽象法理，只给判断维度和可执行动作，帮你把上线前的自查、留证和追责路径理清楚。

做内容生成功能的团队经常卡在同一个地方：模型吐出来一段文字、一张图、一段声音，工程同学觉得这只是「生成了点内容」，法务同学看到的却是一个可能指向真实个人的风险敞口。人格权这条线之所以难谈，是因为它不像违法信息那样有明确的黑白清单，很多时候取决于「指向谁、有没有授权、拿来干什么」这三件事。

这篇不讲抽象法理，只给判断维度和可执行动作。目标很具体：让产品同学知道在交互层该拦什么、提示什么，让法务同学知道该把哪些边界写成清单，两边能共用同一套素材登记和留痕口径。具体法规条文和适用尺度，以站内安全与合规分区的现行资料为准。

先分清：AI内容里的人格权到底指哪几项

人格权不是一个笼统的词，落到 AI 内容场景，至少要拆成几条线分别看，因为每条线对应的生成形态和判断入口都不一样。混在一起谈，最后往往变成「感觉有风险」但说不清风险在哪。

姓名权

未经许可把真人姓名用在生成内容里，尤其是商业语境或负面陈述中

肖像权

换脸、AI 头像、写真生成等把真人形象套进他本人没同意过的场景

声音权

克隆音色做口播、配音、客服语音，声音本身可识别到特定个人

名誉权

生成内容对特定真人作出贬损、失实或误导性陈述

隐私与个人信息

生成过程中调用了不该出现的个人身份、联系方式、行踪等信息

判断时先定位一个关键问题：这段内容是指向特定真人，还是泛化形象。指向越具体、可识别度越高，越容易落入人格权范畴。反过来，完全虚构且无法对应到任何真实个体的角色，一般不落入人格权，但仍可能触发其他内容规范，这条不能当成免检通行证。

常见争议场景：从换脸到「拟声」再到AI写稿

争议高发的地方往往不是模型本身，而是功能设计。同一个生成能力，做成「给用户自己玩的滤镜」和做成「可对外发布的商业素材」，风险等级完全不同。下面这几类是最常被问到、也最容易在上线前漏掉自查的。

• 图像类：换脸、AI 头像、写真生成，把真人形象套进未授权场景或商业物料
• 声音类：克隆音色做口播、配音、客服语音，尤其是做成可批量分发的成品
• 文本类：用真人姓名生成负面陈述、虚构经历，或写出带代言口吻的表述
• 客服与营销类：自动生成的话术里出现真实个人案例、联系方式或评价

产品与法务怎么分工：一份可落地的对照清单

人格权风险最容易在「以为对方管了」的缝隙里漏掉。产品觉得法务会把关，法务以为产品已经确认过素材来源。解法不是多开会，而是把职责拆成可核对的条目，落到具体动作上。

两边最好共用一份素材来源登记表，逐条记录每个真人素材的授权状态、授权范围与到期时间。表格本身不复杂，难的是有人维护、有人定期核对。到期未续的素材要能自动进入待处理清单，而不是等出事才翻记录。

上线前的自查顺序：四步走完再放量

自查最怕两种做法：一是凭感觉挑几个案例试，二是等法务最后一天来兜底。下面这个顺序是按「先盘清、再看权、后测输出、最后留痕」排的，目的是让每一步都有可验证的产出，而不是走个流程。

1. 盘素材列出所有可能指向真人的输入源，包括用户上传、素材库、以及模型可能自发关联的公开信息；产出是一张输入源清单
2. 看授权逐条核对是否存在有效授权、授权范围是否覆盖当前用途与分发方式；没有对应授权的素材直接标红，不带入下一步
3. 测输出用边界提示词跑一轮，重点看模型会不会自发编造真人相关信息、会不会把泛化描述收敛到具体个人；记录触发案例和触发条件
4. 留痕把审核记录、授权文件与处理日志按可追溯的方式存好，确保事后能还原「谁在什么时候基于什么判断放行」；具体留证口径可对照站内安全与合规分区的既有文章

跑完这四步，如果第三部出现无法解释的触发案例，不要靠调提示词硬压，先回到第一步确认是不是有素材本身就带指向性。很多「模型乱说」的根因是输入源里已经混进了不该有的真人信息。

什么情况下这套判断不适用

上面这套口径是按「对外可用、可能指向真人」的默认场景写的。现实里有些情况风险等级明显不同，硬套反而会拖慢正常迭代，所以要提前把不适用的边界说清楚。

• 纯内部测试、不对外分发且已做脱敏的样本，判断路径和对外发布不一样
• 公开人物在公共事务范围内的评论，与商业代言性质的合成内容，不能同一条路走
• 跨地区业务时，判断口径要按落地地区的规则重新过一遍，不能直接套用总部结论
• 用户个人自用、不做二次分发的生成结果，与平台可批量分发的成品，责任划分不同

另一个容易忽略的点：这套自查针对的是人格权这条线，不覆盖违法信息、未成年人保护等其他内容安全维度。上线前应该把各条线分开过，最后合并成一份总的放行结论。各条线的现行判断标准和参考数据，可以到站内安全与合规分区以及模型资料库核对当时的数字。

人格权风险很少来自模型「太聪明」，多数来自输入源里本来就不该出现的那个人。