说话数字人
一张人像照片加一段配音，做成口播视频，不用出镜也不用拍摄。
AI 口型同步
给一段音频和一张人脸，让画面里的人物准确说出这段话 —— 口型对得上，做数字人、配音和多语种版本都用它。
核心能力
音频加人脸，直接出说话视频
不需要拍摄，一张照片或一段视频加上音频，就能得到这个人说这段话的画面。
口型跟着语音走
模型分析音频的音节来对齐嘴型，比在视频提示词里描述「说话」可靠得多 —— 那样通常只能得到嘴在动。
换语言不用重拍
同一段画面配上不同语言的音频，口型跟着新语言走，海外版本不用重新拍一遍。
几个模型可选
有的擅长静态照片出说话视频，有的更适合给已有视频换配音，同一素材可以换模型再试。
使用场景
视频配音与本地化
已有的视频换一条配音，口型跟着新音频对齐，画面不用动。
修正口型漂移
AI 生成的视频里人物嘴型和台词不对，用它重新对齐。
多语种代言人
同一个人物讲多种语言，各个市场的版本看起来都是本人在说。
如何使用
01
打开 AI 口型同步，上传一张人脸照片或一段视频。
02
上传要说的音频 —— 可以来自文字转语音或声音克隆。
03
生成后下载，或者送进画布接着剪。
深入了解
让画面里的人说出确定的话
在视频生成里写「这个人在说话」，得到的通常是嘴在动 —— 动的方式和你的台词毫无关系。因为模型只知道「要有说话这个动作」，不知道具体说什么。
口型同步是另一条路：它拿着真实的音频，逐个音节去对齐嘴型。所以人物说出的是你给的那段话，而不是随机的嘴部运动。
这一步通常是内容链条上的最后一环 —— 稿子写好、配音生成、然后让人物说出来。
素材决定效果
需要的东西很少：一张人脸 + 一段音频。但人脸的质量直接决定结果：
- 正面、五官清晰 —— 侧脸和大角度的偏转会让对齐变差
- 嘴部没有遮挡 —— 口罩、手、麦克风挡住嘴会直接影响判断
- 光线足够 —— 太暗看不清嘴部轮廓
音频这边，三条路都能用：文字转语音生成的（写稿挑音色最快）、声音克隆生成的（要特定音色时）、或者你自己录的。
什么时候该换个工具
- 要生成一个全新的画面 —— 用视频生成，这一页需要你先有人脸素材。
- 只要音频不要画面 —— 用文字转语音或声音克隆。
- 要迁移的是肢体动作而不是口型 —— 用运动控制。
- 要接长已有片段 —— 用视频延长。
该怎么想这件事
把它当成组装的最后一步：先把音频做对（这是决定成片质量的关键 —— 配音听着别扭，口型再准也没用），再把人脸准备好，最后合成。
顺序上值得注意的是：先确定音频，再做口型同步。反过来的话，每次改稿都要重新合成一遍视频，成本比重新生成一段配音高得多。
常见问题
需要准备什么素材？+
两样：一张正面清晰的人脸（照片或视频都行），和一段音频。人脸最好是正面、五官清楚、嘴部没有被遮挡；侧脸、戴口罩、光线太暗都会明显影响口型对齐的效果。
音频从哪里来？+
可以用文字转语音生成 —— 写好稿子挑个音色就有了；想用特定的某个声音就先用声音克隆。当然也可以上传你自己录的音频。这三条路的产物在这里都能用。
为什么不直接在视频生成里描述「他在说话」？+
因为那样通常只能得到「嘴在动」，动的方式和你的台词没关系。口型同步是拿着真实音频去对齐音节的，所以口型能对上具体的字。要人物说出确定的内容，就该用这一页。
支持中文吗？+
支持，不同模型对各语言的口型精度略有差别。中文和英文通常都能对得比较准；如果一次结果不理想，换个模型用同一组素材再试一次，常常就好了。
