照片说话 AI 数字人教程：一张图加台词生成说话视频

AI 数字人工具能做什么

你提供一张人物图片和一段声音——可以是音频文件，也可以是输入台词后由内置声音朗读。工具会生成这个人物说话的视频，嘴、脸和头会随声音动。视频时长与声音相同，在 BunCho 中是 2～30 秒。

常见用法有：让角色念公告或问候、不露脸也能准备解说视频的讲述人、让故事角色以原本的画风说出台词的短视频。如果你在工作室做了漫画分镜或角色图，也可以直接让它们开口说话。与在剪辑软件里逐帧做口型相比，只要准备好图片和声音就能完成；但口型的自然程度会因图片和模型而不同，建议先用点数较少的模型确认效果。

• 输入：一张人物图片，加上台词（300 字以内）或音频（30 秒以内）
• 输出：这个人物说话的 MP4 视频（2～30 秒）
• 模型：Kling Avatar 2.0 Pro / Standard、OmniHuman 1.5、HeyGen Avatar IV、P-Video Avatar

需要准备什么（图片与声音）

• 图片：单人、脸部清晰。正面且脸部较大的图片，口型最干净
• 格式与尺寸：PNG、JPEG 或 WebP；短边 300px 以上；宽高比 1:2.5～2.5:1
• 用台词生成声音：300 字以内，可从 4 种声音（明亮女声、沉稳男声、女性旁白、男性旁白）中选择
• 用音频文件：30 秒以内。只有说话声、没有音乐或杂音的音频效果较好
• 补充指示（可选）：描述表情或构图，例如“微笑着看镜头说话”

AI 数字人视频的做法

1. 1打开视频工具

   在工作室打开「视频工具」，选择「AI 数字人」。

2. 2放入图片

   在「人物图片」上传一张图片。

3. 3确定声音

   输入台词并选择声音，或切换到音频文件，上传自己录的声音。

4. 4选模型并估算

   选择模型后点「估算」，页面会列出每个模型的点数，方便比较。

5. 5确认权利后生成

   勾选确认你拥有图片和音频的权利，再点生成按钮。可能需要几分钟，关闭页面也会继续处理。

6. 6下载使用

   下载生成的视频，再到剪辑软件里加上字幕或音乐。

相关： AI 数字人工具介绍

可选的模型，以及 5 秒的点数参考

Kling Avatar 2.0 有 Pro 和 Standard 两种，Standard 约为 Pro 一半的点数。OmniHuman 1.5 连手和身体也会动，但点数较多。HeyGen Avatar IV 输出 1080p，P-Video Avatar 输出 720p，是点数最少的模型。

常见问题的解决方法

• 嘴动得太小或对不上：脸太小或侧脸效果不好。请裁剪成脸部大、正面的图片
• 声音发闷或断断续续：请去掉音乐和杂音，让文件中只有说话声
• 动作和画风不搭：插画与动漫风格差异很大，正式版之前先用点数较少的模型测试
• 出现图片尺寸错误而停止：短边需要 300px 以上，宽高比需在 1:2.5～2.5:1 之间
• 需要超过 30 秒：分成每段 30 秒来做，再在剪辑软件中拼接

权利与 AI 标注

使用的图片、音频和视频，仅限你拥有权利或已获得使用许可的素材。真实人物的脸和声音，只有在本人同意时才能使用。生成前，页面会要求你勾选确认自己拥有权利。

不得制作让人看起来说了本人没说过的话、造成误解的视频，也不得冒充他人。发布时，请按发布平台的规定标注为 AI 生成或 AI 编辑（例如 YouTube 的“经过修改或合成的内容”设置）。

本文和产品中出现的模型名称，是因为在 BunCho 中可以选择而列出，并不代表与各家公司有合作或受其推荐。

可用方案与点数

视频工具可在付费方案（浇水・种子・烧肉・全餐・团队与企业）正式订阅后使用。免费方案和付费方案的免费试用期间不可用。

使用的是工作室每月的 AI 点数，与小说、漫画、视频共用同一个余额。生成前会先显示估算，同意后才会生成。生成失败或在开始前取消时，不扣点数。

相关： 方案与价格 / 5 个视频工具一览