AI 数字人口播，让照片开口说话
用 China AI 的 AI 数字人口播工具，将一张人像和文字脚本或录音变成会说话的照片视频。人像决定出镜人物的外观，语音引导口型同步。无需重新拍摄真人出镜，就能制作 720p 或 1080p 的自我介绍、产品讲解和专属祝福视频。
输入文案或上传录音，两种方式让照片说话
制作数字人口播可以从文字或音频开始。还没有配音时，输入脚本；已经录好旁白时，上传音频。关键在于你接下来还要不要调整文字和声音，还是希望沿用现有录音的语速、停顿和重音。选对入口，就能减少重复准备素材的步骤。
| 已有素材 | 选择入口 | 生成前先确认 |
|---|---|---|
| 一张人像和写好的文案 | 输入文字并选择声音 | 措辞、发音和音色是否合适 |
| 一张人像和录好的旁白 | 上传音频 | 录音质量、语句节奏和最终时长 |
欢迎词已经写好、但还没录音时，可以从文字开始。如果讲解音频已经确认，包括停顿和重点强调都符合要求，直接上传录音更合适。并不是每次制作数字人视频都必须亲自录音，写好的脚本同样可以作为语音来源。
如果声音需要更细致地准备，可以先通过文字转语音制作并审听，再将完成的音频用于数字人口播。这样就把两个容易混在一起的问题拆开了：先判断旁白好不好听、内容是否准确，再判断人像呈现和口型同步是否自然。先确认音频，也更容易单独评估成片里的口型效果。
人像怎么选，照片说话才更自然？
合适的原图应该让人一眼看清脸部。优先选择清晰、光线均匀、嘴唇可见，而且头部周围留有空间的人像。多人或复杂场景里只占很小一块的脸，与清楚的单人肖像相比，能提供的有效面部信息更少。不要只看照片整体是否漂亮，也要看说话区域是否清楚。
上传前检查嘴部有没有被遮挡。头发挡住嘴唇、手托着下巴、浓重阴影或过度侧脸，都可能让嘴部动作更难呈现。普通口播视频可以先用正面或轻微侧转的人像，尽量让五官清楚，而不是依靠强烈明暗来制造氛围。
构图应配合最终用途。课程开场里贴得太近的脸可能让人感到局促，人物占比太小又可能让手机上的观众看不清口型。头顶留出舒适空间，并提前想好后期是否要在旁边放标题、字幕或课件，避免生成后才发现人物挤占了需要留白的位置。
支持 PNG、JPG 和 WebP 图片。尽量上传清晰原图，而不是经过多次压缩的截图。文件体积大，并不能补回原图已经模糊或被裁掉的脸部信息。如果人像本身不合适，先更换照片，再生成说话动画，比只调整输出清晰度更有针对性。
按这几步制作数字人口播视频
- 上传要使用的人像，检查脸部清晰度、嘴部遮挡和裁切。
- 输入文案并选择声音，或上传已完成的旁白音频。
- 审听音频素材，确认人名、句尾和背景杂音。
- 选择 720p 或 1080p 输出，再生成数字人视频。
- 带声音看完整段结果，进一步检查面部和构图，确认后下载。
第一次测试应使用简短但有实际内容的文案，而不是避开所有难读词的通用问候。测试段落要接近最终视频的表达方式。例如做产品介绍，就应放入产品名称，以及一句说明产品用途的话。这样短片段的检查结果才对正式制作有参考价值。
发现问题时，先改造成问题的输入。句子别扭，就调整脚本；背景太吵，就换干净的录音；嘴部被遮住，就换人像。输出分辨率决定成片尺寸，但单纯提高分辨率不能解决这些素材问题。按问题来源逐项修改，比同时改变所有设置更容易判断效果。
课程开场、产品介绍和祝福视频，文案怎样写？
课程开场最好迅速回答三个问题：要学什么、为什么值得学、接下来做什么。欢迎介绍和详细知识讲解可以分开，让数字人负责面向观众的开场，再在最终剪辑中用图示或录屏承接具体解释。这样人物不是从头到尾念课件，而是承担清楚的表达任务。
产品讲解也应给出镜人物一个明确职责：提出问题、概括用途，或把观众引入演示。界面里一长串按钮和细节，往往更适合直接展示，不必都交给头像口述。简洁的开场可以自然衔接你在剪辑软件中加入的产品画面，让说话和演示各司其职。
个人祝福的节奏则不同。收件人的名字、具体场合和自然的结束语，比正式汇报式的结构更重要。生成视频前，先听清对方姓名是否读对；把一看就像书面作文的长句改短，让文字更接近日常说话的感觉。
无论哪种用途，人像和声音都应该放在一起判断。轻松问候通常不需要培训通知式的正式语气。想让内容有吸引力，也不必一味追求夸张表情；明确的目的和容易听懂的脚本，才让数字人有值得传达的内容。
验收成片：不只看口型，也要听完整段表达
先按预期观看尺寸看一遍，判断信息是否听得明白，以及人物是否自然到足以胜任这段内容。再放大检查嘴部，尤其留意语速较快的句子、发音明显的辅音，以及从说话转为安静的瞬间。整体观看和局部检查，两种方式各自能发现不同问题。
把声音问题和画面问题分开处理。如果录音本身就把名字读错，应该改脚本或音频；如果声音清楚，但嘴部动作不稳定，可以尝试嘴唇更清楚、构图更简单的人像。AI 口型同步既需要干净的语音，也需要合适的面部素材，不能只盯着其中一项。
不要只检查中间几句，开头和结尾同样重要。首字被截断或尾句突然收住，会让原本可用的视频显得没做完。如果要并入更大的项目，还应在视频编辑器里与相邻片段比较构图和音量。China AI 生成的是数字人口播片段，前后镜头和整体节奏仍需要在你的剪辑流程中完成。
数字人口播、图生视频和动作控制怎么区分？
视频重点是让人物传达一段话时，选数字人口播。此时人像承担的是讲述任务，关键输入是脸部和旁白。出镜介绍、课程欢迎词和口头祝福，都属于这条直接的制作路径。
如果想让静态场景动起来，重点是画面动画而不是对口型讲述，可以选择图生视频。如果希望角色身体跟随参考动作，则使用动作控制。这三种工具分别解决说话表达、场景动态和动作迁移，不必用同一种入口完成所有视频任务。
制作混合内容时，可以按片段职责分别生成。数字人负责介绍主题，另一个单独生成的场景负责展示或说明。把两类任务拆开，输入素材会更明确，得到的片段也更方便放进最终视频中组合，而不是要求一张人像同时承担所有画面功能。