自己出鏡，或打造一位數位代言人
不用拍攝，不用演員，不用綠幕。上傳一張清晰的自拍，你就是唸台詞的出鏡者，用你自己的聲音或聲音庫裡的聲音都可以。也可以用一位已經授權給你的人的照片，打造一位可重複使用的數位主持人，用於產品說明、課程開場、公告和廣告。隨時重新生成新台詞，無需補拍。
AI 會說話的照片
上傳一張人像和一段音訊（最長 35 秒），或輸入台詞並挑一個聲音，OmniHuman 1.5 就會把照片變成對嘴同步、動作自然的說話影片。用你自己的照片，自己出鏡。
0 / 2,000
130 cr/s · ≤35s
一張照片，變成會說話的影片
一張人像加上腳本，就成為栩栩如生的代言人——口型、表情、手勢同步。免攝影機、免攝影棚。
原始圖片
腳本
Hey everyone! I am so excited to share my new favorite foundation. It blends in seamlessly for a flawless, natural finish, and it actually feels lightweight all day. A little goes a long way, so one bottle lasts for months.
AI 數字人影片
讓任何一張照片開口說話，包括你自己的
一個完整的 AI 會說話照片（數位人）生成器：上傳一張人像和一段音訊，或輸入台詞並挑一個聲音，就能得到對嘴同步、表情自然、帶手勢的逼真說話影片。用你自己的照片當出鏡者。由字節跳動 OmniHuman 1.5 驅動，不需要相機、演員或攝影棚。
兩種方式：上傳音訊或輸入腳本。
已經有錄音了？上傳後，虛擬形象會自動進行口型同步。沒有音訊？切換到文字模式－輸入虛擬形象應該說的話，從內建的文字轉語音庫中選擇一個語音，系統會自動將腳本合成到駕駛語音中。生成前會顯示預計時長和所需積分。
栩栩如生——不只是一張會動的嘴。
OmniHuman 1.5 能夠解讀音訊的節奏、韻律和意義，從而驅動頭部動作、姿勢和手勢，並實現精準的唇形同步，同時保留人物的身份特徵和光照效果。最終呈現的效果如同真人演講者一般生動自然，而非僅僅是一張嘴巴會動的靜態肖像。
專為行銷、培訓和社交而設計
您可以快速製作用於廣告和落地頁的發言人視頻、用於培訓的旁白課程和入門教程、用於社交媒體的真人出鏡視頻，或者同一信息的多種語言版本。每一代內容及其輸入都會儲存到歷史記錄中，因此您可以快速迭代並產生各種版本。
可直接用於 AI 會說話照片的人像
在 CreateVision AI 上生成的主播風格人像——只要加上音訊，其中任何一張都能驅動一段會說話的數字人影片。
這個 AI 會說話的照片生成器背後的模型
本頁的對嘴、表情與肢體動作，由 OmniHuman 1.5 驅動。
AI 會說話照片規格
| 輸入 | 一張人像照片，再加上一個上傳的音訊檔案或一段打好的腳本。 |
|---|---|
| 誰的照片 | 你自己的，或已經授權給你的人的。照片和聲音都必須是你有權使用的。 |
| 人像照片建議 | 正面、光線充足、整張臉完整可見且對焦清楚。墨鏡和濃重陰影會降低對嘴的準確度。 |
| 音訊長度 | 每次生成最長 35 秒——大約 85 個口說字詞。 |
| 音色庫 | 內建 60 種音色，涵蓋 10 種語言，生成前可先試聽。 |
| 模型 | OmniHuman 1.5，負責驅動對嘴、臉部表情，以及自然的頭部與身體動作。 |
| 費用 | 和其他影片生成一樣，按輸出秒數計費；生成前會先顯示。 |
| 輸出 | 一段可下載的影片，連同原始人像與腳本一起存進你的歷史紀錄。 |
如何讓自己出鏡：AI 會說話照片三步驟
你的照片，你的話，一支影片。
- 1
上傳一張你自己的照片
清晰的正面照效果最好：手機自拍、大頭照，或影片裡截的一格都行。會說話照片 AI 只憑這一格讀取你的臉。
- 2
加上你的聲音
自己錄一段上傳，或輸入台詞並從 60 個內建聲音裡挑一個。音訊最長 35 秒。
- 3
生成，然後反覆用自己
模型會把嘴型、表情和自然的頭部動作對齊到音訊上。留著同一張照片，需要時隨時生成新台詞，不用補拍。
AI 會說話照片的台詞怎麼寫
這裡沒有圖像提示詞——幹活的是人像和音訊。你寫的是腳本，而腳本上的取捨決定了成果看起來自不自然。
1
開場白
開頭寫短一點。第一秒是對嘴最容易被看清楚的地方。
嘿——簡單跟你說一件事。
2
句子長度
句子控制在大約 15 個字以內。過長的子句會產生不自然的停頓。
這瓶精華只有兩種成分。整個配方就這樣。
3
標點
逗號和句號會變成換氣。你真的會停頓的地方，就打上標點。
它有效——而且只要十秒鐘。
4
篇幅預算
大約每秒 2.5 個字。照你想要的片段長度來寫。
35 秒的片段約需 85 個字
模糊版
我們這款革命性產品運用尖端科技，為追求卓越的挑剔顧客交付無與倫比的成果。
具體版
這就是大家一直在問的那部分。兩種成分，沒有填充料。大概一週你就能看出差別。
為什麼有效
第一段是一個 19 個字的抽象長句——虛擬人唸出來是平板、上氣不接下氣的單調語調，因為根本沒有可以換氣的地方。第二段是三個短句，有自然的重音點，這才是讓唸白聽起來像真人的原因。
模糊版
大家好，歡迎來到我們的頻道，今天我們要討論的是關於保養流程你需要知道的五件最重要的事情。
具體版
關於保養的五件事。第一件，是大多數人都做錯的。
為什麼有效
又長又不斷句的開場，是對嘴最容易走鐘的地方，因為模型沒有標點可以對齊。一句簡短的開場鉤子能給它乾淨的重音點，也更抓得住注意力。
值得戒掉的習慣
- 用了一張臉很小、側著或有一半落在陰影裡的照片。對嘴的準確度，直接取決於原始畫面裡嘴部有多清楚。
- 腳本寫超過音訊上限。生成最多 35 秒音訊——更長的腳本會被截斷，所以拆成幾段，重複用同一張人像。
- 堆疊密集的專業用語。數字、縮寫和冗長的產品名稱，正是合成語音最容易露餡的地方。照你實際唸出來的方式寫。
AI 虛擬人影片產生器之外
會說話的虛擬人只是其中一種產出。圖片與影片生成都在同一個帳號裡運作。
AI 虛擬人影片的實用資源
AI 會說話照片定價與免費點數
會說話照片影片和其他影片輸出一樣按秒計費。新帳號註冊送 200 點數，可以先試試。
Premium
最受歡迎$29/month
年繳 · $240/year
- 每月 8,000 積分，無每日限額
- 所有進階模型——GPT Image 2、Nano Banana、Seedream、Seedance、Veo、Kling
- 5 倍生成速度，優先排程
- AI 提示詞優化
AI 會說話照片 — 常見問題
1
什麼是 AI 會說話的照片？
AI 會說話的照片，也叫 AI 數位人或虛擬分身，是用一張照片和一段聲音生成的人物說話影片。你不用拍攝，只需提供一張人像和音訊（或台詞 + 聲音），模型就會生成一段逼真的說話表演，可用作數位主播、代言人或旁白。
2
創建它需要哪些條件？
一張清晰的正面人像照片，加上一段音訊（mp3/wav格式），或者——在文字模式下——你想朗讀的腳本以及從內建庫中選擇一個聲音。這就足以產生一個會說話的虛擬形象影片。
3
我可以用自己的聲音嗎？
是的。上傳自己的錄音，虛擬形象就會自動進行口型同步。如果您沒有錄音，請切換到文字模式，然後從文字轉語音庫中選擇一個語音。
4
頭像影片最長可以有多長？
每代最多可錄製 35 秒音訊。如果腳本較長，請將其分割成多個片段。預估時長會在您輸入時顯示，音訊按秒計費。
5
AI虛擬形像有哪些用途？
常見用途包括產品說明和廣告、課程和新用戶引導旁白、社交媒體訪談片段、公告以及訊息的多種語言版本——任何需要拍攝主持人的場合。
6
AI虛擬形象採用的是哪一種模式？
CreateVision AI 使用了位元組跳動的 OmniHuman 1.5，它能夠根據音訊驅動唇形同步、頭部動作和手勢。有關技術細節，請參閱 OmniHuman 1.5 模型頁面。
7
AI 虛擬人影片產生器用什麼照片效果最好？
光線充足、面向鏡頭、整張臉完整清晰的人像。墨鏡、臉上的濃重陰影、極端角度，或臉在畫面中佔比太小，都會降低對嘴的準確度。
8
我一定要錄自己的聲音嗎？
不用。你可以直接打字寫台詞，再從內建音色庫裡挑一個聲音，庫裡有涵蓋 10 種語言的 60 個音色。如果你比較想用自己的錄音，也支援上傳。
9
我可以自己出鏡嗎？
可以，這也是最常見的用法。上傳一張你自己的照片，然後要麼錄自己的聲音，要麼輸入台詞並選一個聲音庫裡的聲音。結果就是你本人在說你的話，不需要架相機。很多創作者留著一張好照片，每週都用它生成新的短片。
10
AI 會說話的照片可以商用嗎？
可以。根據 CreateVision AI 服務條款，你生成的內容可用於個人和商業用途，在合適的場合註明由 CreateVision AI 生成即可。你需要自行確保對上傳的照片和聲音擁有使用權，並遵守發布平台關於 AI 內容標示的規則。
11
我以前用 Sora 把自己放進影片裡，這是同一回事嗎？
目標一樣，原理不同。這裡你的照片就是身分，音訊或台詞驅動說話，所以產出是一支對嘴同步的出鏡短片，而不是把你放進某個場景。它只需要任意一張照片，不用錄影登記，也不依賴別的應用程式是否還在。