AI 数字人怎么做：从形象到口播的最小成本方案

数字人的门槛在过去两年掉得很快。现在几百元就能做出一个能口播的形象，但「能出镜」和「能看」之间，还差着四个细节。

先想清用途：是长期做账号，还是临时做几条视频。答案决定了该选模板形象还是定制形象。

第一段：形象

模板形象几百元，平台提供几十个可选，上传照片也能快速生成。优点是快，缺点是辨识度低，同一个模板可能被几百个账号用着。

定制形象三千元起，包含建模、绑定、微调。适合长期做账号的场景，因为形象本身就是资产。

还有一条中间路线：用真人照片生成 2D 数字人。成本低，真实感强，但动作幅度受限，适合坐着口播的场景。

第二段：驱动

录音驱动最省，也最常用。你录一段音频，算法生成对应的口型和表情。适合口播、讲解、课程。

摄像头驱动最自然，实时捕捉真人表情和头部动作。适合直播，但需要设备和稳定环境。

算法驱动（纯文本直接生成）最省事，但表情最僵，适合对自然度要求不高的信息播报。

第三段：口播与合成

脚本要短句化。长句会让 TTS 的语调失去起伏，也会让口型对齐更容易出错。

情绪靠分段控制。同一段文本里，把激动的部分单独拆出来，用不同的语速和音量参数生成，再拼接。

合成后要对齐口型与字幕，重点检查齿音和停顿。闭合音最容易穿帮，尤其是 b 和 p 开头的字。

常见问题

手机能做吗？ 形象生成可以，驱动和合成建议用电脑，稳定性更好。

一条视频要多久？ 模板形象加录音驱动，熟练后一小时能出一条一分钟的视频。

能实时直播吗？ 能，但需要稳定的带宽和驱动方案，成本比录播高一个量级。

会被平台判定为 AI 内容吗？ 会，多数平台要求标注。不标注可能被限流。

一句话判断： 决定数字人是否可用的，不是形象多精致，是眨眼、微动、换气这三个细节有没有做。