会说话的数字人是一种由 AI 生成的视频主持人。您提供一张面孔（照片、生成的肖像或预设形象）和一段音频（克隆声音、TTS 或上传录音），模型就会输出一段该面孔以逼真口型同步、头部动作和微表情说出该音频的视频。
它被广泛用于教育内容、营销视频、销售触达、产品引导等任何拍摄真人主持成本过高或速度过慢的场景。
会说话的数字人是怎样做出来的
需要两样东西：一张面孔和一条音轨。面孔可以是您本人的照片、插画吉祥物、一幅画，或用图像模型生成的肖像，关键是眼睛和嘴巴清晰可见。插画或吉祥物与照片的做法相同，见让任意图片开口说话。音轨可以是由文字转成的语音、克隆声音，或您已有的录音。
模型逐个音节读取音频，在每一帧中重新绘制嘴、下颌和面颊，让口型与发音对应。好的模型还会加上人说话时的自然动作：眨眼、轻微转头、挑眉、句与句之间的停顿。视频的时长与音频完全相同。
有些工具让您上传的照片动起来，有些则只是用您的音频驱动服务商事先拍好的主持人。两者都叫会说话的数字人，但只有前者用的是您选的那张脸。
在 VlogMe 中制作
使用 Video Studio 的 Talking avatar（AI 数字人视频）：
- 上传您拥有或有权制作动画的肖像或角色，或从 Lab 中选择。
- 写好脚本，在 Audio Studio 中生成语音，或上传录音。
- 选择模型和画幅（9:16、1:1 或 16:9），查看积分预估后渲染。
Hedra Avatar 以稳定的口型同步驱动您的图片，每个视频最长可说 10 分钟。OmniHuman 1.5 的头部和身体动作更丰富，适合最长 60 秒的片段。HeyGen Avatar V 则用它自己的预设主持人之一说出您的音频，不使用您的照片。肖像保存在 Lab 中，下周的新内容只需换脚本重新渲染，无需重拍。
限制与风险
- 照片决定质量。 清晰、正面、光线均匀的面孔效果最好；墨镜、手挡住嘴或接近侧脸的角度会产生明显瑕疵。
- 声音干净，口型才准。 人声下面垫着音乐或噪音，口型的准确度会下降。
- 先取得同意。 只能使用您本人或已获授权的面孔和声音，不得使用公众人物或未满 18 周岁者（服务条款第 6 节）。在 Hedra 渲染或克隆声音开始前，VlogMe 会请您确认这些权利。
- 按要求标注。 有些平台和法律要求说明主持人由 AI 生成。
常见问题
会说话的数字人算深度伪造吗？
技术相近，但用您本人或虚构角色、在取得同意的前提下制作、且不冒充真实拍摄的数字人，并不带有欺骗性。深度伪造通常指让真实人物说出或做出其本人从未同意的内容的视频。
同一个数字人能说其他语言吗？
可以。用目标语言写脚本、用同一个声音生成语音，模型会让口型对上新的台词。要翻译已经完成的视频，请用 DUB 配音。
视频最长可以多长？
与音频一样长，但不超过模型上限：在 VlogMe 中，Hedra Avatar 每个视频最长 10 分钟，OmniHuman 1.5 最长 60 秒。
