06.06 零基础10分钟可以学会的数字人口播视频工作流

用授权照片、声音和新台词制作数字人口播原片，再完成字幕、产品画面与课件讲解版。包含网页设置、完整提示词和逐步排错。

01 · 导读

我把一条数字人口播拆成两个文件来看：先得到人物说话的原片，再把字幕、产品画面或课件放进去，导出可发布的成片。照着这一课，你能准备自己的形象图与声音，写一段可完整说完的台词，知道网页里该选择哪种生成方式，也知道原片出现问题时该改哪里。

全文以虚构的帆布袋业务说明写法。示例中的人物、品牌和成片效果都不是现成案例。首次注册、生成排队和后期剪辑需要单独留时间；标题不承诺固定分钟数。只使用自己或已经取得明确授权的人物与声音。

02 · 相关资料

• 一张本人或已授权人物的正面照片。尽量有完整肩膀、清楚的嘴部，背景干净，图片不含客户隐私。
• 一段本人或已授权的自然讲话录音。万相 3.0 的参考音频支持 WAV 或 MP3，单段 1–15 秒，全部参考音频合计不超过 15 秒；上传前仍以当前官方页面为准。
• 经核对的短口播稿、品牌词读法、目标平台和画面比例。先读一遍计时，避免台词放不进所选时长。
• 可登录的阿里云百炼账号及万相 3.0 可用入口。网页版字段以当前页面为准；如改用 API，还需核对模型、地域、接口和密钥配置。生成可能计费，提交前看当前用量提示。
• 后期用到的产品实拍、课件原图和有权使用的音乐。做 PPT 讲解时，先准备每句话对应哪页的清单。

03 · 核心讲解

形象图决定观众看到的脸、衣服与空间；参考声音提供音色线索；新台词告诉模型这次讲什么。三者是不同材料。音色相近不等于声音一定与本人完全一致，生成后必须试听。数字人适合稳定、解释性的口播；材料质感、印刷效果、产品结构仍以真实产品画面说明。

万相 3.0 的“参考生视频”允许把参考图片和参考音频放在同一次生成中。提示词里用“图1”“音频1”对应上传顺序。首帧和首尾帧是另一种输入方式，不能与参考音频混用。想沿用本人声音时，先选正确的参考模式；镜头之间的过渡放到后期解决。

一条片子有两次检查。生成后检查人物与声音：脸有没有漂、嘴有没有跟上、台词有没有漏词或多说。后期再检查信息：字幕是不是跟实际语音对齐，产品镜头能不能支撑说法，课件文字是否保留原样。只改字幕不会修复原音读错；只换画面也不会修复口型失准。
…

会员可阅读完整文章。 登录