纳米AI 生成视频：数字人 3.0 的四步流程和一次要花多少点

两条路要分开看。文生视频是给一句话、出一段画面；数字人是给一张脸和一段声音、出一段口播。前者便宜但不可控，后者可控但涉及肖像和声音授权。搞混这两条路，是新手最常犯的错。

两条路的差别

数字人 3.0 的能力边界是：上传形象和声音，生成口播视频；也能用一句话生成多角色、多音色的视频。它不负责脚本质量，脚本还得你自己写。

数字人的四步

第一步，上传形象。用正面、光线均匀、背景干净的照片，肩膀以上。侧脸、逆光、戴帽子墨镜的照片，生成出来的口型对不齐。这是分辨率之外的第一个决定因素。

第二步，给声音。可以上传录音，也可以选内置音色。上传录音时，环境噪音比音色好坏更影响结果——空调声、键盘声会被一起学进去。

第三步，写口播稿。长度按朗读时长倒推：10 秒大致是两句话，写超了会被截断，截断点在句子中间比结尾更难看。官方没有给出字数与时长的换算表，按自己正常语速读一遍计时更准。

第四步，生成并检查。检查三件事：口型和音节的对应关系、眨眼频率、颈部与肩部的过渡。这三处是最容易露馅的地方。

时长和分辨率怎么选

4 秒：够一句完整的话。适合测试形象和音色是否匹配，也是试错成本最低的档位。

6 秒：两句到三句。做片头、做单条短播报用这个。

10 秒：一段完整表述。超过 10 秒就要拼接，拼接处的口型和音色会有细微断层，观众能感觉到。

分辨率上，720P 足够发社交平台，1080P 的意义在于后期要裁切或放大时留余量。先用 720P 出片确认内容，定稿再跑 1080P，这个顺序能省掉大半浪费。

点数账

按目前的公开口径：注册赠送 100 点，7 天有效；普通清晰度 4 秒视频约扣 10 点；纳米币 1 元约合 10 点。

所以一条普通 4 秒片子，成本在 1 元上下。10 秒高品质的消耗明显更高，且部分档位要求 VIP 权限叠加，具体点数以应用内提交前的提示为准——这个数字官方没有公开完整的价目表，各功能扣多少点在提交页显示，不在帮助文档里。

100 点赠送额度，按 4 秒档只能出 10 条。听起来少，但如果你的目的是验证「这条路能不能用于我的场景」，10 条足够得出结论。

三个高频失败原因

形象照选错。 全身照、多人合影、戴饰品的照片都会被误识别。用标准证件照风格的正脸照，成功率高得多。

音频质量差。 手机在空旷房间录的音会有回声，口型模型会把回声当成音节，出来的嘴在无规律开合。

时长写超。 生成时不报错，直接截断，你会在下载后才发现最后半句没了。

授权这件事不能跳

用自己的形象和声音，等于把生物特征交给一个第三方服务处理。上传前确认三件事：协议里对素材的使用范围怎么写的、能不能删除已上传的素材、发布时是否需要标注 AI 生成。

用别人的形象做数字人，即使对方口头同意，也建议留下书面授权。发布平台现在对合成内容的标注要求越来越明确，被判定为未标注的合成内容，处理方式是下架而不是提醒。

如果只是要一张图

很多时候你要的不是视频，是一张能用的配图。那种需求用图片生成更划算，纳米 P 图做人像修图和电商产品图是它的主打场景；横向比较改图能力可以看Seedream 5.5 的改图说明。真要做批量视频，成本和可控性的账得按 token 或按条算清楚，11 月的 API 价格表给了一个参照系。

现在做

先拿 4 秒档跑一条，只测形象和音色匹配度，别管内容。这一条出来，你就知道值不值得继续往 10 秒和 1080P 上投点数。