想让画面里的人说话、口型对得上？数字人和对口型怎么用

2026-11-01 约 4 分钟 28701 次阅读

一句话答案

想让画面中的人物开口说话，可在【视频】专区选择支持多模态参考的模型，在对应卡槽分别上传人物图片与配音音频，配合动作神态提示词即可生成人物发声视频。

想让画面里的人说话、口型对得上？数字人和对口型怎么用关键参数

入口选择	站内没有独立的「数字人」/「对口型」专区；用【视频】分类下支持图片与音频多模态参考的模型来做
素材与提示词	人物形象图传到参考图或人像卡槽，说话语音传到参考音频卡槽；输入框补充神态动作描述（正对镜头说话、面带微笑、头部自然微动），按需选画面比例与时长
没有配音时	先切到【音频】专区用文字转语音输入台词生成语音，保存到本地后回视频专区上传；卡槽只接收音频文件，不接收文字
合规要求	人物图须拥有使用权、不得使用他人肖像；不得伪造他人言论或冒充身份；公开传播建议标明 AI 生成

想让一张静态人物照开口说话，站内并没有单独的「数字人」或「对口型」入口——这件事是用【视频】专区里支持多模态参考的模型来做的：人物图进图片卡槽、配音进音频卡槽，再配上神态动作描述，模型就会生成人物发声的画面。本文讲清入口选择、素材准备（没有现成配音怎么办）、合规要求和口型不准时的调整办法。

站内目前没有单独的「数字人」或「对口型」专区入口，这件事是用【视频】专区里支持多模态参考的模型来做的：把人物图片和配音音频分别传进对应卡槽，由模型生成人物说话的画面。点击左侧导航的【视频】分类，在模型列表中选择支持图片与音频多模态参考的模型。

在下方的多模态卡槽中，将人物形象图片上传至参考图或人像卡槽，将准备好的说话语音上传至参考音频卡槽。在输入框中配合输入人物神态与动作描述（例如正对镜头说话、面带微笑、头部自然微动），并按需选择画面比例与时长等参数。

如果手头没有录制好的配音文件，可先切换至【音频】专区，使用文字转语音工具输入台词文本生成语音，将生成的音频文件保存到本地后，再回到视频专区上传使用。

灵境 AI Model Hub 是一个聚合 500+ 前沿大模型 的一站式 AI 平台，提供多模型对话、AI 写作与图像 / 视频 / 音乐生成，统一 OpenAI 兼容 API，支持免费试用。

👉 立即免费体验 500+ 前沿大模型：灵境 AI Model Hub ｜ cloud-token.ai 或 cloud-ai.link

Q：为什么口型和动作有时不够精准？ A：多模态生成受音频语速、画面角度和动作幅度影响，口型与表情可能存在偏差，长句更容易出现节奏不同步。建议尽量使用清晰正面的人物图，搭配语速平缓的简短语句。

Q：可以在视频卡槽直接输入文字生成说话声吗？ A：当前多模态参考卡槽接收的是音频文件。若需要特定台词，请先在站内音频专区将文字转为语音文件后再上传。

Q：生成消耗如何核对？ A：每次任务的实际消耗明细，可在【消费记录】里按时间核对，有疑问联系在线客服。

Q：用自己的人物图做口播视频，有什么要注意的？ A：先确认这张图的来源和使用权，不要用他人肖像；也不要用它去伪造他人言论或冒充他人身份。成片要公开传播时，建议标明由 AI 生成，发布前再按目标平台的规则确认一遍。

在灵境 AI Model Hub ｜ cloud-token.ai 或 cloud-ai.link 上，人物图配音进同一组卡槽即可生成口播视频，台词没有现成配音也能先转语音再上传。

为什么口型和动作有时不够精准？

多模态生成受音频语速、画面角度和动作幅度影响，口型与表情可能存在偏差，长句更容易出现节奏不同步。建议尽量使用清晰正面的人物图，搭配语速平缓的简短语句。

可以在视频卡槽直接输入文字生成说话声吗？

当前多模态参考卡槽接收的是音频文件。若需要特定台词，请先在站内音频专区将文字转为语音文件后再上传。

生成消耗如何核对？

每次任务的实际消耗明细，可在【消费记录】里按时间核对，有疑问联系在线客服。

用自己的人物图做口播视频，有什么要注意的？

先确认这张图的来源和使用权，不要用他人肖像；也不要用它去伪造他人言论或冒充他人身份。成片要公开传播时，建议标明由 AI 生成，发布前再按目标平台的规则确认一遍。