06.06 零基礎10分鐘可以學會的數字人口播視頻工作流

用授權照片、聲音和新台詞製作數字人口播原片，再完成字幕、產品畫面與課件講解版。包含網頁設置、完整提示詞和逐步排錯。

01 · 導讀

我把一條數字人口播拆成兩個文件來看：先得到人物說話的原片，再把字幕、產品畫面或課件放進去，導出可發佈的成片。照著這一課，你能準備自己的形象圖與聲音，寫一段可完整說完的台詞，知道網頁里該選擇哪種生成方式，也知道原片出現問題時該改哪裡。

全文以虛構的帆布袋業務說明寫法。示例中的人物、品牌和成片效果都不是現成案例。首次註冊、生成排隊和後期剪輯需要單獨留時間；標題不承諾固定分鐘數。只使用自己或已經取得明確授權的人物與聲音。

02 · 相關資料

• 一張本人或已授權人物的正面照片。盡量有完整肩膀、清楚的嘴部，背景乾淨，圖片不含客戶隱私。
• 一段本人或已授權的自然講話錄音。萬相 3.0 的參考音頻支持 WAV 或 MP3，單段 1–15 秒，全部參考音頻合計不超過 15 秒；上傳前仍以當前官方頁面為準。
• 經核對的短口播稿、品牌詞讀法、目標平台和畫面比例。先讀一遍計時，避免台詞放不進所選時長。
• 可登錄的阿里雲百鍊賬號及萬相 3.0 可用入口。網頁版字段以當前頁面為準；如改用 API，還需核對模型、地域、接口和密鑰配置。生成可能計費，提交前看當前用量提示。
• 後期用到的產品實拍、課件原圖和有權使用的音樂。做 PPT 講解時，先準備每句話對應哪頁的清單。

03 · 核心講解

形象圖決定觀眾看到的臉、衣服與空間；參考聲音提供音色線索；新台詞告訴模型這次講什麼。三者是不同材料。音色相近不等於聲音一定與本人完全一致，生成後必須試聽。數字人適合穩定、解釋性的口播；材料質感、印刷效果、產品結構仍以真實產品畫面說明。

萬相 3.0 的“參考生視頻”允許把參考圖片和參考音頻放在同一次生成中。提示詞里用“圖1”“音頻1”對應上傳順序。首幀和首尾幀是另一種輸入方式，不能與參考音頻混用。想沿用本人聲音時，先選正確的參考模式；鏡頭之間的過渡放到後期解決。

一條片子有兩次檢查。生成後檢查人物與聲音：臉有沒有漂、嘴有沒有跟上、台詞有沒有漏詞或多說。後期再檢查信息：字幕是不是跟實際語音對齊，產品鏡頭能不能支撐說法，課件文字是否保留原樣。只改字幕不會修復原音讀錯；只換畫面也不會修復口型失准。
…

會員可閱讀完整文章。 登入