需要真人出镜面对镜头讲解商品卖点、录制跨境多语种口播或知识分享视频，但不想每次都搭景实拍时，只需 1 张人物正脸照 + 1 段文案/音频即可生成口型同步的数字人视频。
按左侧面板一步步操作
- ① 上传人物照片（必填）：上传五官清晰、正面向前、光线均匀、嘴部无遮挡的半身或近景肖像照（支持本地上传或从资产库选择）。
- ② 选择口播音频来源（二选一）：
- 文本转音频：在口播文案框输入台词（最多 200 字，约对应 30 秒以内口播），右上角支持「AI润色」优化口语感，或点「一键翻译」直接翻译为英文、日文、韩文、德文、法文、西语等跨境语种；接着选择「配音角色」与「说话情绪」；
- 选择或导入音频：直接上传本地或资产库中已录好的音频文件（小于 20MB，单次最长支持 30 秒）。
- ③ 先点「生成口播音频并预览」（关键必做步骤）：在文本转音频模式下，必须先点击「生成口播音频并预览 (消耗 5积分)」。试听满意后，底部才会解锁视频生成按钮。
注意：如果生成音频后你又改动了文案、音色或情绪，原音频会自动失效，需重新生成音频后才能继续合成视频。 - ④ 生成数字人口播视频：音频就绪后，底部按钮会按音频实际时长（5~30 秒）实时计算并显示预计积分，点击即可生成嘴型精准对齐的口播视频。
如果你只需要单独生成旁白配音文件、不需要人物出镜画面，请直接使用 文生音频。