可灵AI的数字人功能，本质上就是用静态人像图配合文本或音频，生成一段口型同步的1080p短视频。

整个过程不需要你掌握任何视频拍摄或剪辑技巧。只需一张清晰的人像照片，再加一段文案或一段录音，几分钟内就能产出一段符合短视频平台播放标准的“说话视频”。

确认是否满足基础条件

版本要求

这项功能目前只在电脑端v3.0.2及以上版本中开放。手机App和网页版暂时还不支持。

如果用的是旧版客户端，必须卸载重装最新版。否则点击“人物驱动”按钮后，界面会直接报错或出现空白。

照片要求

整个功能依赖对人脸结构的完整识别。上传的照片必须满足几个硬性条件：

• 正面或微侧脸（左右偏转不超过30度）
• 双眼清晰可见
• 无口罩或墨镜等大面积遮挡
• 背景干净不杂乱

侧脸过大或人脸被局部遮挡，系统不会给出任何提示，只会生成一段静止画面——口型驱动直接失败。

准备驱动源：文本还是音频？

方法一：用文字生成语音并驱动口型

这适合口播稿、产品介绍这类场景。在「输入文本」框中粘贴已校对好的口语化文案即可。

例如：“大家好，这是我们新上线的夏日限定芒果冰，采用当季台农芒现打，奶香浓郁不腻口。”

需要注意：文案里所有括号注释、英文缩写和顿号分隔的并列短语最好都删掉。AI对这些标点的理解不太稳定，容易导致口型卡顿。

方法二：用真人录音驱动口型

这适合复刻声音、方言播报等场景。上传的音频文件必须满足以下条件：

• 格式为WAV或MP3
• 时长严格控制在10到60秒之间
• 音频开头必须留有至少0.3秒的静音段，否则系统会截断首字发音
• 采样率建议设定为44.1kHz，低于32kHz会导致唇形出现明显抖动

执行人物驱动操作

第一步：进入「创建作品」页面，点击右上角齿轮图标，开启「高级模式」。

第二步：在编辑区左侧工具栏找到并点击「人物驱动」按钮，界面会自动跳转至配置面板。

第三步：上传照片。拖入一张1024×1024像素的PNG或JPG格式人像图，系统会在3秒内完成面部关键点定位并显示绿色锚点框。

第四步：切换到对应标签页（「输入文本」或「上传音频」），填入或导入驱动源。

第五步：点击「生成视频」，等待约70到120秒，预览画布会逐帧渲染出带口型动作的视频流。

《夸克》非常好用的免费AI浏览器

下载APP查看