AB
AiBoss
Tutorials

讯飞智作

Tutorials

用讯飞智作以一张照片定制数字人并生成口播视频

介绍如何用讯飞智作把一张正面全身照做成超拟人数字人:上传照片、挑选或复刻声音、输入文案并生成视频,同时说明照片要求、声音复刻流程与成片检查要点。

讯飞智作的超拟人数字人功能解决的是一件很具体的事:手上只有一张照片,也想让画面里的人开口说话。它把形象构建、声音选择和视频合成串成一条流水线,形象部分只需要一张正面平视的全身高清照,声音部分可以直接从音库挑,也可以先复刻一段自己的声音,最后输入文案就能出片。适合需要批量做口播内容的自媒体作者、做活动致辞或课程片头的讲师,以及想低成本试水数字人视频的团队。整个流程在讯飞智作的小程序里完成,构建环节以秒计,不需要建模、不需要动捕设备。如果你只是想先看看站内还有哪些同类工具,可以从 讯飞智作 这一条开始了解。

需要先说清楚一点:数字人视频的成败,八成在素材准备阶段就决定了。照片角度不对、光线不匀、身体被裁掉一截,后面无论怎么调文案都救不回来。所以下面把准备工作单独展开,再进入操作步骤。

准备工作

账号与入口

使用前需要一个可用的讯飞智作账号,登录后进入小程序端。素材演示的完整流程都是在小程序里完成的,包括形象上传、声音复刻和视频生成,因此不需要额外安装桌面软件。功能入口在小程序底部,点击加号即可进入创建流程。

账号的可用额度、免费试用范围、付费方案与功能开放情况会随时间调整,具体以官网和小程序内当前展示的信息为准,不要以旧教程里的描述为准。

照片素材的要求

这是整个流程里最容易被忽略、又最影响成片质量的一环。素材明确给出的要求是:正面、平视、全身、高清。逐条拆开看:

  • 正面:脸部朝向镜头,不要侧脸、不要低头或仰头。数字人的口唇和表情是基于面部结构驱动的,角度偏了,生成出来的嘴型容易对不上。
  • 平视:相机高度大致与视线齐平,避免俯拍或仰拍造成的透视变形。
  • 全身:画面要包含完整身体,不要只截到胸口。超拟人数字人会驱动肢体动作,身体信息不完整会影响动作生成的自然度。
  • 高清:分辨率要够,脸部细节清晰。模糊、压缩痕迹重、逆光发黑的照片都不合适。

另外建议选背景干净、人物轮廓与背景对比明显的照片,避免多人合影或人物被遮挡的画面。这些不是硬性参数,但会直接影响抠像与形象构建的效果。

声音素材的准备

如果打算用音库里的现成声音,这一步可以跳过。如果打算复刻自己的声音,需要提前想好朗读内容:流程要求朗读一段文字,系统据此提取音色特征。朗读时保持环境安静、语速平稳、音量一致,不要中途停顿过久或改变语调,否则复刻出来的声音稳定性会打折扣。

文案准备

视频里数字人要说的内容需要提前准备,可以自己写,也可以借助讯飞内置的星火文案助手生成。文案长度直接决定视频时长,建议先按一句话到一小段的规模试,确认效果后再加长。

操作步骤

第一步:上传照片,构建数字人形象

打开讯飞智作小程序,点击底部的加号,进入创建入口,把准备好的正面全身高清照上传。上传完成后系统开始构建形象,素材中的实测结果是几秒钟即可完成,属于秒级构建。

这一步只负责生成形象,还没有涉及声音和文案。构建完成后,这个形象会出现在你的形象列表里,后续创作视频时可以直接选用,不必每次重新上传照片。

第二步:选择或复刻声音

形象上传后进入声音选择环节,有两条路径:

  • 使用音库预制声音:音库覆盖不同年龄段、多种语言风格、多个行业领域,也包含多门国家语言的声音,可以直接挑选一个与内容调性匹配的音色。
  • 复刻自己的声音:选择一键声音复刻,按提示朗读一段文字,完成后给这段声音命名保存,例如命名为自己的名字,方便后续在列表里辨认。

复刻完成后返回创建页面,在声音选项里选中刚刚复刻好的那个声音,再点击提交。此时形象与声音完成绑定,一个可用的超拟人数字人就构建好了。

如果同时管理多个形象和多条复刻声音,命名要尽量区分清楚,比如「姓名-形象」和「姓名-声音」,否则在视频创作页的形象与声音下拉列表里很容易选错组合。

第三步:创建视频,选择形象与声音

进入视频创作页面,先把生成效果选为「超拟人数字人」,然后在形象与声音部分选择上一步构建好的那一组。这一步是显式选择,不会自动沿用上次的配置,每次新建视频都要确认一遍。

第四步:输入文案

在文案输入框里填入数字人要说的内容。如果一时没有思路,可以用星火文案助手:输入一个关键词,例如「AI 时代祝福语」,助手会直接给出一段可用文案。素材中的示例输出大致是这样的结构:

AI 时代,愿智慧之光照亮你的每一天。
愿你在数据的海洋中畅游,收获知识与创新的力量。
祝你在这个智能互联的世界里,事业腾飞,生活美满!

助手生成的文案可以直接使用,也可以在此基础上改写。注意口播文案和书面文案的节奏不同:句子太长、从句太多,数字人念出来会显得拖沓;适当断句、控制每句长度,成片的听感会更好。

第五步:生成并检查成片

点击「生成视频」,等待几秒即可得到成片。素材中的实测反馈是:声音自然度高,接近真人;口唇与肢体动作同步自然;整体保留了原人物的气质特征。

拿到成片后建议按下面几项逐一检查,发现问题就回到对应环节调整:

  • 口型同步:重点看语速较快的句子,嘴型是否跟得上发音。
  • 肢体动作:动作是否与语音内容匹配,有没有出现与语义无关的突兀动作。
  • 表情连贯:表情变化是否与句子情绪一致,有没有在中途突然跳变。
  • 声音一致性:复刻声音在多句话之间音色是否稳定,有没有忽高忽低。
  • 画面边缘:人物轮廓、头发边缘、手部等区域有没有明显的抠像瑕疵。

一个完整示例

下面把上面的步骤串成一个从头到尾能跑通的最小例子,场景是给一场开发者活动录一段十几秒的欢迎致辞。

准备阶段。选一张正面平视的全身高清照,背景干净,人物完整入镜。准备一段 3 到 5 句的致辞文案,控制在十几秒能念完的长度。

构建形象。打开讯飞智作小程序,点击底部加号,上传这张照片,等待几秒完成形象构建。

处理声音。如果希望用本人的音色,选择一键声音复刻,朗读提示文字,完成后把这段声音命名为便于识别的名字并保存;如果对音色没有要求,直接在音库里挑一个风格合适的声音。

绑定形象与声音。回到创建页面,在声音部分选中刚复刻好的声音,点击提交,完成数字人构建。

生成视频。进入视频创作,生成效果选择「超拟人数字人」,形象与声音选择刚才那一组。输入致辞文案,例如:

欢迎各位来到今天的开发者活动。
接下来的几个小时里,我们会一起看几个真实的 AI 应用案例。
希望大家在交流环节多提问题,也欢迎把自己的项目拿出来分享。
祝大家今天有所收获。

点击生成视频,等待几秒。成片出来后按上一节的检查清单过一遍:口型是否跟得上「接下来的几个小时」这种较长句子,肢体动作是否与致辞语气匹配,复刻声音在四句话之间是否稳定。确认无误即可导出使用;如果口型偏差明显,优先回头检查原始照片的角度和清晰度。

注意事项

照片质量是硬约束

正面、平视、全身、高清这四条不是建议而是前提。侧脸、俯拍、半身照、低分辨率照片都会让构建结果明显变差,而且这种偏差在后续环节无法通过调文案或换声音弥补。上传前多花一分钟挑照片,比生成后反复重试划算。

声音复刻依赖朗读质量

复刻效果取决于朗读样本。环境噪音、忽大忽小的音量、中途停顿过长,都会影响音色提取的稳定性。如果复刻结果不理想,先换一段更干净的朗读样本重试,而不是急着换文案。

形象与声音是成对选择的

视频创作页需要显式指定形象和声音,系统不会记住上一次的组合。管理多个数字人时,命名混乱是选错组合的主要原因,建议在命名阶段就把形象和声音区分开。

文案长度决定成片时长

视频时长由文案长度决定,没有独立的时长设置。想控制成片长度,就控制文案字数。第一次使用建议先用短文案验证效果,再逐步加长。

功能与额度以官网为准

超拟人数字人功能的开放状态、可用额度、付费方案、支持的音库范围与语言种类都可能调整,使用前请以官网和小程序内当前展示的信息为准。本文描述的是流程与操作要点,不涉及具体价格与配额承诺。

内容合规

使用他人照片构建数字人、复刻他人声音,都需要事先取得本人授权。生成的内容用于公开发布时,应遵守发布平台对 AI 生成内容的标识要求。