自己出镜，或者打造一个数字代言人
不用拍摄，不用演员，不用绿幕。上传一张清晰的自拍，你就是念台词的出镜人，用你自己的声音或音色库里的声音都可以。也可以用一位已经授权给你的人的照片，打造一个可反复使用的数字主持人，用于产品讲解、课程开场、公告和广告。随时重新生成新台词，无需补拍。
AI 会说话的照片
上传一张肖像和一段音频（最长 35 秒），或者输入台词并挑一个音色，OmniHuman 1.5 就会把照片变成口型同步、动作自然的说话视频。用你自己的照片，自己出镜。
0 / 2,000
130 cr/s · ≤35s
一张照片，变成会说话的视频
一张人像加一段脚本，就变成栩栩如生的代言人——口型、表情、手势同步。无需相机、无需摄影棚。
原始图片
脚本
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 数字人视频
让任何一张照片开口说话，包括你自己的
一个完整的 AI 会说话照片（数字人）生成器：上传一张肖像和一段音频，或者输入台词并挑一个音色，就能得到口型同步、表情自然、带手势的逼真说话视频。用你自己的照片当出镜人。由字节跳动 OmniHuman 1.5 驱动，不需要相机、演员或摄影棚。
两种方式：上传音频或输入脚本。
已经有录音了？上传后，虚拟形象会自动进行口型同步。没有音频？切换到文本模式——输入虚拟形象应该说的话，从内置的文本转语音库中选择一个语音，系统会自动将脚本合成到驾驶语音中。生成前会显示预计时长和所需积分。
栩栩如生——不仅仅是一张会动的嘴。
OmniHuman 1.5 能够解读音频的节奏、韵律和含义，从而驱动头部动作、姿势和手势，并实现精准的唇形同步，同时保留人物的身份特征和光照效果。最终呈现的效果如同真人演讲者一般生动自然，而非仅仅是一张嘴巴会动的静态肖像。
专为市场营销、培训和社交而设计
您可以快速制作用于广告和落地页的发言人视频、用于培训的旁白课程和入门教程、用于社交媒体的真人出镜视频，或者同一信息的多种语言版本。每一代内容及其输入都会被保存到历史记录中，因此您可以快速迭代并生成各种版本。
可直接用于 AI 会说话照片的肖像
在 CreateVision AI 上生成的主播风格人像——只要加上音频，其中任何一张都能驱动一段会说话的数字人视频。
这个 AI 会说话的照片生成器背后的模型
本页的口型同步、表情和肢体动作，由 OmniHuman 1.5 驱动。
AI 会说话照片规格
| 输入 | 一张人像照片，外加一个上传的音频文件或一段手打的脚本。 |
|---|---|
| 谁的照片 | 你自己的，或者已经授权给你的人的。照片和声音都必须是你有权使用的。 |
| 人像照片建议 | 正面、光线充足、整张脸完整可见且清晰对焦。墨镜和浓重阴影会降低口型同步的准确度。 |
| 音频时长 | 每次生成最长 35 秒——大约 85 个口播词。 |
| 音色库 | 内置 60 个音色，覆盖 10 种语言，生成前可试听。 |
| 模型 | OmniHuman 1.5，负责驱动口型同步、面部表情，以及自然的头部和身体动作。 |
| 费用 | 和其他视频生成一样按输出秒数计费；生成前会先显示。 |
| 输出 | 一段可下载的视频，连同原始人像和脚本一起存进你的历史记录。 |
如何让自己出镜：AI 会说话照片三步
你的照片，你的话，一条视频。
- 1
上传一张你自己的照片
清晰的正面照效果最好：手机自拍、证件式头像，或者视频里截的一帧都行。会说话照片 AI 只凭这一帧读取你的脸。
- 2
加上你的声音
自己录一段上传，或者输入台词并从 60 个内置音色里挑一个。音频最长 35 秒。
- 3
生成，然后反复用自己
模型会把口型、表情和自然的头部动作对齐到音频上。留着同一张照片，需要时随时生成新台词，不用补拍。
AI 会说话照片的台词怎么写
这里没有图像提示词——干活的是人像和音频。你写的是脚本，而脚本上的取舍决定了成片看起来自不自然。
1
开场白
开头写短一点。第一秒是口型最容易被看清的地方。
嘿——简单跟你说一件事。
2
句子长度
句子控制在 15 个词左右以内。长从句会带出不自然的停顿。
这瓶精华只有两种成分。整个配方就这些。
3
标点
逗号和句号会变成换气。你真正会停顿的地方，就打上标点。
它有效——而且只要十秒钟。
4
篇幅预算
大约每秒 2.5 个词。按你想要的片段时长来写。
35 秒的片段约需 85 个词
模糊版
我们这款革命性产品运用前沿科技，为追求卓越的挑剔客户交付无与伦比的成果。
具体版
这就是大家总在问的那部分。两种成分，没有填充料。大概一周你就能看出差别。
为什么有效
第一条是一个 19 个词的抽象长句——数字人念出来是平板、上气不接下气的单调线，因为根本没有可以换气的地方。第二条是三个短句，带自然的重音点，这才是让念白听起来像真人的原因。
模糊版
大家好，欢迎来到我们的频道，今天我们要讨论的是关于护肤流程你需要知道的五件最重要的事情。
具体版
关于护肤的五件事。第一件，是大多数人都做错的。
为什么有效
又长又不断句的开场，是口型最容易失准的地方，因为模型没有标点可以对齐。一句短钩子能给它干净的重音点，也更抓得住注意力。
值得戒掉的习惯
- 用了一张人脸很小、侧着或有一半落在阴影里的照片。口型同步的准确度，直接取决于原图里嘴部有多清楚。
- 脚本写超了音频上限。生成最多 35 秒音频——更长的脚本会被截断，所以拆成几段，重复用同一张人像。
- 堆砌密集的专业表述。数字、缩写和冗长的产品名，正是合成语音最容易露馅的地方。按你实际念出来的方式写。
AI 数字人视频生成器之外
会说话的数字人只是其中一种产出。图片和视频生成都在同一个账号里跑。
AI 数字人视频相关的实用资源
AI 会说话照片定价与免费积分
照片说话视频和其他视频一样按秒计费。新账户注册送 200 积分，可以先试试。
高级版
最受欢迎$29/month
按年计费 · $240/year
- 每月 8,000 积分，无每日限额
- 全部高级模型——GPT Image 2、Nano Banana、Seedream、Seedance、Veo、Kling
- 5 倍生成速度，优先排队
- AI 提示词增强
AI 会说话照片 — 常见问题
1
什么是 AI 会说话的照片？
AI 会说话的照片，也叫 AI 数字人或虚拟形象，是用一张照片和一段声音生成的人物说话视频。你不用拍摄，只需提供一张肖像和音频（或台词 + 音色），模型就会生成一段逼真的说话表演，可用作数字主播、代言人或旁白。
2
创建它需要哪些条件？
一张清晰的正面人像照片，加上一段音频（mp3/wav格式），或者——在文本模式下——你想朗读的脚本以及从内置库中选择一个声音。这就足以生成一个会说话的虚拟形象视频。
3
我可以用自己的声音吗？
是的。上传您自己的录音，虚拟形象就会自动进行口型同步。如果您没有录音，请切换到文本模式，然后从文本转语音库中选择一个语音。
4
头像视频最长可以有多长？
每代最多可录制 35 秒音频。如果脚本较长，请将其分割成多个片段。预估时长会在您输入时显示，音频按秒计费。
5
AI虚拟形象有哪些用途？
常见用途包括产品说明和广告、课程和新用户引导旁白、社交媒体访谈片段、公告以及信息的多种语言版本——任何需要拍摄主持人的场合。
6
AI虚拟形象采用的是哪种模型？
CreateVision AI 使用了字节跳动的 OmniHuman 1.5，它能够根据音频驱动唇形同步、头部动作和手势。有关技术细节，请参阅 OmniHuman 1.5 模型页面。
7
AI 数字人视频生成器用什么照片效果最好？
光线充足、面向镜头、整张脸完整清晰的肖像。墨镜、脸上的浓重阴影、极端角度，或人脸在画面中占比过小，都会降低口型同步的准确度。
8
我必须录自己的声音吗？
不用。你可以直接打字写台词，再从内置音色库里挑一个声音，库里有覆盖 10 种语言的 60 个音色。如果你更想用自己的录音，也支持上传。
9
我可以自己出镜吗？
可以，这也是最常见的用法。上传一张你自己的照片，然后要么录自己的声音，要么输入台词并选一个音色库里的声音。结果就是你本人在说你的话，不需要架相机。很多创作者留着一张好照片，每周都用它生成新的短片。
10
AI 会说话的照片可以商用吗？
可以。根据 CreateVision AI 服务条款，你生成的内容可用于个人和商业用途，在合适的场合注明由 CreateVision AI 生成即可。你需要自行确保对上传的照片和声音拥有使用权，并遵守发布平台关于 AI 内容标注的规则。
11
我以前用 Sora 把自己放进视频里，这是一回事吗？
目标一样，原理不同。这里你的照片就是身份，音频或台词驱动说话，所以产出是一条口型同步的出镜短片，而不是把你放进某个场景。它只需要任意一张照片，不用录视频登记，也不依赖别的应用是否还在。