数字人:让一张脸说话、给片子对口型

数字人在 Mosael 里不是一个单独的功能区,而是视频生成里的两种素材组合:

	给它什么	出来什么
说话照片	一张人像 + 一段配音	这张脸跟着配音说话的视频
改口型	一段已有的视频 + 一段新配音	原片里的人换成说这段新配音的口型

成片时长跟着配音走:这类模型不收「时长」参数,界面上写着「时长跟着驱动音频」。配音太长或太短、超出模型收得下的范围, 提交的那一刻就会说清楚(「驱动音频 72 秒,这个模型最长 20 秒」),不会建一个注定失败的任务。

能用哪些模型#

模型在设置里接入供应商之后出现在各处的模型下拉里 —— 只列声明了「说话照片」或「改口型」的那几个。

供应商	模型	做什么	配音时长	需要对象存储
阿里百炼	wan2.2-s2v	说话照片(480P / 720P;提交前先检查有没有清晰的正脸)	1–20 秒	不需要
阿里百炼	videoretalk	改口型(原视频每边要在 640–2048 像素之间：不在的先等比缩放进去，说话照片交回的 512×512 能直接接着改口型)	2–120 秒	不需要
火山引擎 即梦	OmniHuman 1.5	说话照片(720p / 1080p,可加一句提示词调动作和运镜)	1–59 秒	需要
可灵	可灵数字人	说话照片(可加提示词)	2–300 秒	不需要
可灵	可灵对口型	改口型(先认出原片里出现最久的那张脸)	2–60 秒	原片需要
HeyGen	Avatar IV	说话照片(可加一句动作提示词)	最长 10 分钟	不需要
HeyGen	对口型	改口型(原片 mp4 / webm)	——	不需要
Hedra	Character-3	说话照片(画幅按原图自动挑)	最长 10 分钟	不需要

「需要对象存储」的那几家只收公网链接,本地的图和音频会先传到你在插件里配好的对象存储。 这些接口都是照各家官方文档接的,第一次用某一家时请留意报错信息 —— 它会原样写出供应商说了什么。

在哪里用#

• 人物资产:详情页上「让它说话」—— 写一段稿子,用这个人物自己的音色配音,再用它的正面图(没有正面用挑图先后的 第一张)做说话照片。画板上的人物资产格也有这一项。
• 画板:图片格「让它说话」(嗓子在面板上挑,或者接上游的一段音频),视频格「对口型」(音频接上游的音频格, 或者用稿子当场配)。面板上可以挑模型,「分辨率」在高级选项里,只列所选模型有的档。
• AI Studio:选一个说话照片或改口型的模型,挂上人像 / 原片和一段驱动音频。
• 智能体:它知道怎么做数字人 —— 先配音,再把脸和这段音频交给会说话照片的模型(generate_video)。
• 工作流:「让它说话」(人物 / 图片两种)、「对口型」、「长稿分段配音」、「译配对口型」几个节点。

模板#

模板库里有三张现成的图:

• 稿子 → 数字人口播:一张正脸加一段稿子。稿子按句配音,相邻的句子凑成模型一次收得下的长度(接缝落在句子之间), 每段让这张脸说出来,首尾相接铺上时间线,字幕按配音的实际时长铺好,导出成片。某一段短于模型的下限时(比如可灵 2 秒起,稿子里恰好有一句「好的。」单独成段),末尾补一点静音补到下限,后面的段跟着往后排。
• 视频译配 · 改口型:逐句转写、翻译、配音之后,让原片里说话人的嘴对上译文配音。原片按模型一次能收的长度切块, 切点落在两句之间;没有配音的那几块直接用原片,不花钱。改好的整段放在最上面一条新视频轨上,原片不动。
• 商品 → 数字人出镜带货口播:挑一位资产库里的人物当主播,开场和收尾由它出镜说,中间是带商品的画面。配了能从首帧出片的视频模型时, 中间各拍动起来(和「商品 → 带货口播短视频」同一个做法,每拍多一次付费视频生成)。

授权#

做数字人要有画面里那个人的授权,Mosael 在三处把关,所有入口都一样(AI Studio、画板、智能体、工作流、定时任务):

1. 每次生成都要确认:挂了驱动音频的生成,都要勾上「已取得画面中人物的授权」—— 本人,或已取得其单独同意。 智能体调用时也要带上这项声明。
2. 人物资产的声明:用作脸的图是某个人物资产的参考图,而这个人物是真人时,要有「这是我本人」或 「已取得本人同意」的声明(虚构人物不用)。在资产详情里补。
3. 克隆音色的声明:驱动音频是用克隆音色配的,那把嗓子要声明过是谁的(本人、已获同意或虚构)。升级前建的音色 是「未声明」,用于数字人之前在配音库里补上。

缺哪一样,提交时会写明是哪个人物、哪一把嗓子;智能体在开确认卡时就说,不会等你批准之后才被拒。

克隆音色交给百炼念#

驱动音频也可以由百炼的 CosyVoice 念配音库里的嗓子:人物资产的音色、画板和工作流里挑嗓子时,引擎选「阿里云百炼(CosyVoice)」, 清单里就多出配音库里的嗓子(下拉里叫「我的克隆音色」,资产详情和工作流节点里写作「克隆 · 名字」),念的是它复刻在你百炼账号里的副本, 不用装本机引擎。

• 授权是同一条线:能交给百炼复刻的,和能用于数字人的,都是声明过是谁的嗓子;没声明的不复刻、清单里也不列。
• 另多一次点头:第一次把一把嗓子用到 CosyVoice 上,要同意把它的参考音频上传到你的百炼账号,只问这一次。在 AI Studio 的「音频」、 画板的音频格里配音时会当场弹确认框;人物资产的「让它说话」和工作流节点是在后台跑的,当场问不了你,没同意过会停在配音那一步并说明 —— 先在「设置 → 配音与音色」里点那把嗓子的「复刻到百炼」。
• 复刻、副本跟着钥匙和模型走、删嗓子一起删远端,见剪辑 → 不装本机引擎,用百炼念自己的音色。

AI 生成标识#

不只是数字人:导出的成片里用到任何 AI 生成或合成的素材(生成的图片、视频、音乐,AI 配音,数字人,以及由它们截取、降噪、 分离出来的素材 ——「含 AI 生成内容」顺着素材的来源继承),文件里都会写上标识。静音了的音频片段不算。

• 文件里:写进标准的隐式标识字段(AIGC 标记),总会写上,不影响画面。
• 画面上:默认不加。导出框里勾上「给 AI 生成的内容加「AI 生成」标识」才烧进去:片头左上角一块「AI 生成」停 3 秒, 整片右上角一行小字(半透明底框白字),字号按画幅短边算,换分辨率导出跟着缩放。这一项每次导出都从不勾开始,发到要求 画面上标明的平台时勾上。工作流的「导出时间线」节点、画板的时间线格里是同一项,默认也是不标。

花费#

说话照片、改口型按成片的实际时长计量(成片长度就是配音的长度)。百炼 wan2.2-s2v(480P 每秒 0.5 元)和 videoretalk(每秒 0.08 元)在「管理 → 成本规则」里能按挂牌价预填;其余几家的官方价要么只在登录后可见、要么按积分计, 需要你照自己账户的价格手填。改口型的成片跟着原视频的尺寸走，账上只记请求里写明的分辨率(不替它猜成 720P)，原视频和驱动音频也不算成「参考图」； 百炼回包里报的时长会拿来和记下的秒数核对。