title: " 数字人口播实战 | 一张照片生成会说话的人" category: 人工智能 tags:

前一篇我们已经跑通了普通 AI 短视频。

这一篇上大家最关心的：

数字人口播。

也就是上传一张人物照片，再给它一段文案，让它生成一个会开口说话的视频。

这一步看起来最像“黑科技”。

但从工程链路看，它其实还是几块能力拼起来：

人物照片
  -> 口播文案
  -> 配音音频
  -> 数字人驱动
  -> 嘴型/表情/头部动作
  -> 视频合成

和普通 AI 短视频相比，数字人口播多了两件事：

也正因为多了这两件事，它的技术门槛、生成成本和合规风险都更高。

所以这篇不只讲按钮怎么点。

我会讲五件事：

先说结论。

第一次做数字人口播，建议这样开局：

使用自己有授权的正脸照片
文案控制在 10 到 20 秒
配音先用本地 Edge-TTS
数字人工作流优先用云端小额测试
脚本用 4SAPI 接低成本模型多生成几版

不要第一条就做 3 分钟带货视频。

那不是入门。

那是给自己找麻烦。

1. 数字人口播和普通短视频有什么区别？

普通 AI 短视频更像：

文案 + 图片/视频背景 + 配音 + 字幕

数字人口播更像：

文案 + 人物形象 + 配音 + 嘴型驱动 + 表情动作 + 合成

多出来的人物形象，会带来三个变化。

第一，观感更像真人出镜。

用户会天然把它当成“某个人在说话”，信任感和违和感都会被放大。

第二，生成失败更明显。

普通图像歪一点，观众可能还能接受。

但嘴型对不上、眼神飘、脸部变形，观众马上能看出来。

第三，合规边界更敏感。

一张人脸、一个声音，都不是普通素材。

它涉及肖像、声音、身份误认和 AI 生成标识。

所以数字人口播不是“普通短视频加个人脸”这么简单。

它更像一个小型内容生产系统。

2. 上传照片：素材决定下限

数字人效果好不好，第一步不是模型。

是照片。

照片不好，后面再怎么调都吃力。

建议上传：

不建议上传：

数字人模型要从照片里推断脸部结构。

你给它的信息越干净，它越容易稳定。

2.1 什么照片最适合新手测试？

最适合的是这种：

半身或头像
正脸看镜头
自然表情
背景简单
分辨率清楚
没有夸张姿势

如果你只是做第一条测试，用自己的头像就行。

不要用明星照片。

不要用客户照片。

不要用同事照片。

不要用网上随便下载的人像。

技术上也许能生成。

但这不是能不能的问题。

是该不该的问题。

2.2 授权边界要提前说清楚

数字人口播涉及肖像权和声音权益。

如果你用的是自己的脸，问题最少。

如果你用员工、合伙人、客户、达人照片，要有明确授权。

如果你用的是公众人物、明星、网红，更要谨慎。

特别是带货、广告、课程、招商、金融、医疗这类内容，一旦让观众误以为“本人真实推荐”，风险会非常高。

我的建议很简单：

个人测试：用自己的脸
团队测试：用授权员工或虚拟人物
商业发布：保留授权记录和 AI 标识

别拿别人的脸做实验。

不值得。

3. 配音：先别急着克隆声音

数字人口播的第二个关键是声音。

Pixelle-Video 支持多种 TTS 工作流。

官方文档里提到，TTS 工作流可能包括：

其中 Edge-TTS 不支持声音克隆。

Index-TTS 这类工作流可能支持参考音频或声音克隆。

第一次建议：

先用 Edge-TTS。

原因是它简单。

你只要确认：

就可以继续测数字人链路。

声音克隆放到第二阶段。

3.1 声音克隆需要什么？

官方声音克隆文档里提到，参考音频一般建议：

并且不是所有 TTS 工作流都支持声音克隆。

参考音频质量会影响克隆效果。

这几个点都很现实。

声音克隆不是你随便丢一段手机录音进去，就一定能得到稳定商业配音。

如果音频里有：

效果就会受影响。

3.2 声音授权也要注意

声音也有权益边界。

不要拿别人的播客、直播、课程音频去克隆。

不要克隆明星、达人、员工的声音做商业口播。

如果确实要做企业数字人，建议准备：

声音授权
用途说明
可使用期限
撤回机制
生成内容审核流程

这听起来麻烦。

但如果你要长期商业化，这些比模型参数更重要。

4. 数字人口播页面怎么填？

Pixelle-Video 的数字人口播页面一般仍然是左右或三栏思路。

可以按这个顺序理解：

左边：人物形象和配音
中间：数字人服务/工作流
右边：文案模式和生成按钮

不同版本界面可能有小变化，但核心逻辑差不多。

4.1 上传人物形象

先上传一张正脸照片。

上传后看预览。

如果预览都不正常，别继续。

换图。

第一张图建议用你自己的证件照风格头像。

不要一上来用很复杂的艺术照。

4.2 配音合成方式

如果有“本地合成”和“ComfyUI 合成”这类选项，第一次建议选：

本地合成

本地合成通常更接近开箱即用的 TTS 路线。

ComfyUI 合成则可能需要额外工作流。

如果你已经熟悉 ComfyUI，可以折腾。

如果你只是第一次跑数字人，别把问题复杂化。

参考音频先空着。

等本地合成跑通后，再试声音克隆。

5. RunningHub 数字人工作流怎么理解？

数字人口播对本机要求更高。

很多时候你会看到云端工作流选项，比如 RunningHub。

前面第75期讲过，RunningHub 的逻辑是：

本机负责页面和参数
云端负责跑重工作流

Pixelle-Video 的工作流有 selfhost 和 runninghub 两类前缀。

在数字人口播场景里，你可以把它理解成两步：

前置图片/形象处理
  -> 口播视频合成

有些教程会提到类似：

digital/image.json
digital/combination.json

这类名字可以帮助你理解工作流分工：

但具体文件名和路径要以你当前版本页面为准。

不要把文章里的示例当成永远不变的固定路径。

5.1 RunningHub 路线适合谁？

适合：

不适合：

云端路线不是免费路线。

它是省硬件、省部署、省排错的路线。

你付出的成本是额度和平台依赖。

5.2 第一次怎么设置？

建议：

RunningHub API Key：填好
并发：先 1
工作流：按页面推荐选择
文案：10 到 20 秒
人物照片：正脸清晰
配音：本地 TTS 或默认可用方案

并发先别调高。

你还不知道失败率，也不知道单条成本。

先跑一条。

确认效果。

再决定要不要批量。

6. 文案模式：带货模式和自定义模式

数字人口播常见两种文案模式：

带货模式
自定义模式

带货模式适合你输入商品名、卖点，让 AI 帮你生成推广词。

自定义模式适合你自己贴入文案。

第一次建议用：

自定义模式

原因是可控。

你可以用一段短文案测试嘴型和语速：

大家好，这是我的第一条数字人口播测试。今天我们只验证三件事：嘴型能不能对上，声音是否自然，视频能不能顺利合成。先别追求完美，先把链路跑通。

这段大概十几秒。

非常适合第一条。

6.1 为什么先不要用长文案？

数字人口播越长，问题越明显。

长文案会增加：

第一条建议 10 到 20 秒。

第二条再试 30 秒。

稳定后再做 60 秒。

不要第一条就三分钟。

7. 用 4SAPI 生成口播脚本

数字人口播的画面很重要。

但商业化时，文案更重要。

尤其是带货口播。

你不能只让模型写“这个产品太好了，赶紧买”。

那种文案既空，也容易踩广告合规风险。

我建议把 4SAPI 放在脚本生成层：

Pixelle-Video / 你的脚本工具
  -> 4SAPI
  -> 低成本模型批量生成
  -> 强模型精修
  -> 合规检查
  -> 数字人口播

7.1 带货脚本 prompt

可以用这个：

请为下面产品生成 5 条数字人口播脚本。

产品：{产品名称}
目标用户：{用户}
核心卖点：{卖点}
使用场景：{场景}

要求：
1. 每条 20 秒以内。
2. 分成 3 段：痛点、解决方案、行动建议。
3. 不要使用绝对化词语。
4. 不要承诺无法验证的效果。
5. 语气像真实创作者，不要像电视购物。
6. 每条给出一个适合数字人口播的标题。

这个 prompt 适合先批量出草稿。

然后你再挑一条做精修。

7.2 合规检查 prompt

再用这个：

请审查下面这段数字人口播文案。

检查维度：
1. 是否存在夸大宣传。
2. 是否存在绝对化承诺。
3. 是否可能让观众误以为是真人本人真实体验。
4. 是否需要增加 AI 生成提示。
5. 是否有更稳妥的改写建议。

文案：
{文案}

这一步非常适合放在 4SAPI 里跑。

你可以用低成本模型做初筛，用更强模型做关键商业文案复核。

不是因为模型能替代法律审核。

而是它能帮你先把明显风险挑出来。

7.3 为什么用 4SAPI 而不是直接填一个模型？

因为口播脚本会反复改。

你可能会有：

5 个产品
10 个标题
3 种人群
5 版开头
2 版收尾

这会产生大量文本调用。

用 4SAPI 统一入口后，你能更容易看：

这比到处填 Key 稳。

8. 效果怎么看？

数字人口播生成后，不要只看第一眼“哇，它动了”。

要按这张表验收：

项目 合格标准 常见问题
嘴型 基本跟随语音 口型延迟、漂移
表情 不僵硬到出戏 眼神飘、重复动作
脸部 不明显变形 五官扭曲、边缘抖动
声音 清楚可听 机械、破音、语速怪
时长 和文案匹配 前后空白太长
画面 不黑屏、不闪烁 合成失败、画面撕裂
合规 有授权、有标识意识 像冒充真人推荐

第一条数字人视频，你只要求：

能看
能听
嘴型大致对
没有明显崩脸

不要要求影视级。

这类开源或轻量云端方案，更适合先做内容验证。

9. 常见问题和调整顺序

9.1 嘴型对不上

优先处理：

缩短文案
降低语速
换更清楚的 TTS
减少英文和数字混读
重新生成

中文里夹杂大量英文、型号、数字，TTS 读法可能不稳定。

比如：

GPT-4o、ComfyUI、4SAPI、WAN2.1、API

这些词最好人工改成更适合口播的读法。

9.2 脸部变形

优先换照片。

不要一开始就调复杂参数。

照片如果有：

生成效果很容易不稳。

9.3 声音太机械

先换音色。

再调语速。

最后再考虑声音克隆。

声音克隆不是第一优先级。

很多时候，一个合适的普通 TTS 音色，比一个质量差的克隆声音更自然。

9.4 生成太慢

正常。

数字人口播比普通短视频重。

你可以：

缩短文案
降低分辨率
减少重试
避开高峰时段
本地和云端路线分别测试

别一边嫌慢，一边第一条就生成长视频。

9.5 带货味太重

这是脚本问题。

让 4SAPI 接模型重写：

请把下面文案改得更像真实使用建议，而不是广告。
要求：
- 保留产品卖点
- 减少命令式购买引导
- 增加适用人群和不适用人群
- 不使用绝对化词语

数字人口播最怕“假人说假话”。

画面已经是 AI，如果文案再假，观众会更反感。

10. 一套可复用的数字人口播 SOP

我建议你以后按这个流程做：

1. 确认人物授权
2. 准备正脸照片
3. 用 4SAPI 生成 5 版短脚本
4. 人工挑 1 版
5. 用模型做合规检查
6. 改成 10 到 30 秒短文案
7. Edge-TTS 预览声音
8. 生成数字人口播
9. 检查嘴型、表情、声音、标识
10. 记录成本和失败原因

这套 SOP 看起来麻烦。

但它能避免两个常见问题：

第一，生成一堆没人看的视频。

第二，生成一条看起来能发但有合规风险的视频。

工具越强，流程越重要。

11. 数字人口播适合做什么？

适合：

不太适合：

数字人口播不是万能内容形态。

它适合标准化表达。

不适合伪装成真实人格。

12. AI 标识和发布提醒

国内关于深度合成和 AI 生成合成内容的规则越来越明确。

涉及人脸、人声、虚拟人物、合成视频时，要特别注意：

尤其是带货口播。

如果你用数字人讲“我亲测有效”“我本人用了一个月”，但实际上这个人不存在，或者不是本人真实体验，就很容易出问题。

更稳的说法是：

这是一段 AI 生成口播，用来演示产品信息。

或者在视频描述、画面角落、账号说明里做清晰提示。

合规不是给创作添堵。

它是在保护你后面能长期做。

13. 发布前检查清单

数字人口播生成后，不建议立刻发布。

先按这张清单过一遍：

[ ] 人像是本人或已获得明确授权
[ ] 声音是本人、通用 TTS，或已获得明确授权
[ ] 文案没有冒充真人亲身经历
[ ] 文案没有夸大效果或绝对化承诺
[ ] 视频或发布说明里有 AI 生成提示
[ ] 嘴型基本对齐
[ ] 脸部没有明显变形
[ ] 声音清楚且不破音
[ ] 时长适合当前平台
[ ] 已记录使用的模型、工作流和生成成本
[ ] 重要商业内容已人工复核
[ ] 不涉及医疗、金融、法律等高风险建议

这张清单不是为了把创作变慢。

它是为了避免你生成得越快，风险堆得越快。

尤其是做矩阵号和带货号，越要把授权、标识、文案审核变成固定动作。

14. 总结

数字人口播的技术链路是：

人物照片
  -> 口播脚本
  -> TTS 配音
  -> 数字人工作流
  -> 嘴型/表情驱动
  -> 视频合成

第一次不要贪。

建议：

用自己的正脸照
文案 10 到 20 秒
配音先用 Edge-TTS
云端工作流先小额测试
生成后按嘴型、脸部、声音、合规四项验收

4SAPI 在这一篇里的价值，是放在脚本层：

数字人口播最怕两件事：

技术上勉强能看。
内容上完全不可信。

所以不要只调模型。

也要调脚本、素材、语气和授权流程。

下一篇可以继续拆成本：

本地 ComfyUI、RunningHub、API 媒体模型、4SAPI 文本模型，到底哪一步最花钱？

参考资料：