一张照片做出 AI 数字人口播视频：从声音调试到成片的完整实战

照片识别、成熟女声、免费额度、时长处理，一次真实制作的可复现记录。

最近测试了一套短视频制作流程：通过固定人物照片和自然的中文配音，无需真人出镜，就能让一位成熟、沉稳的东方女性像朋友一样，聊聊生活中的感悟，生成一条可供后期剪辑的数字人口播视频。

听起来只需要“上传照片，输入文案，点击生成”。实际做下来，验证码、图片识别、音色年龄感、免费额度、音频时长，每一项都可能把流程卡住。

这次我把AI助手用在了具体环节：梳理平台条件、整理口播稿、调整声音描述、操作生成页面、保存和核对文件。我负责确定人物方向、试听反馈和最终取舍。每到声音、文案这样的关键节点，先确认，再继续花积分生成视频。

经过几轮调整，我们最终跑通了文案设计 → Qwen3-TTS 配音 → Clipfly 照片口播 → 下载验收的流程，做出一条59.84秒、768×1024竖版、画面抽查未见平台水印的口播原片。两次 Clipfly 测试共用掉20赠送积分，现金支付为0。这里记录的是一次试用实测，不代表后续可以无限免费制作。

如果你也遇到过“声音太年轻”“还有积分却要求升级”“照片怎么换背景都不通过”，下面这些操作和排查方法，可以帮你少走一段弯路。

先看最终结果

使用紫色裙装人物照片，配以成熟普通话女声。保留完整口播内容，主要呈现嘴部和轻微面部动作，身体基本静止。

项目	实测结果
实际时长	59.84秒
画面规格	768×1024，3∶4竖版，25fps
本条消耗	10赠送积分
水印检查	六个时间点抽查未见可见平台水印

这是已完成的口播原片。字幕、封面、配乐和平台发布，放在后续制作环节；本次没有把它们计入已完成成果。

一 先写清楚需求 再选择工具

我的目标并不是找一个功能最多的数字人平台，而是做出一个可以反复使用的内容角色。画面方向是东方成熟女性，声音要标准大陆普通话，温暖、沉稳、有厚度；语气像交谈，不像朗诵。第一阶段只需要15—30秒小样，声音和人物表现通过后，再尝试一分钟。

这份需求有一个关键点：允许上传自己的配音。只要声音能独立制作，就不必把人物表现、配音质量和字幕编辑全部押在一个平台上。声音不合适时，只改音频；图片不合适时，只换图片；口型效果不理想时，再比较视频工具。

把任务拆开之后，筛选条件也清楚了：能否登录，能否上传自有人物与音频，赠送额度能否覆盖一次真实生成，导出是否带水印，最终文件能否保存。先确认这些条件，比反复观看宣传样片更有用。

二 我们试过哪些路线 为什么最后换到 Clipfly

路线	这次实际遇到的情况	处理决定
HeyGen	本次使用的+86、+852号码均未能收到注册验证短信	停止在验证环节耗时，转向其他工具
Hedra	已登录并配置素材，账户为0积分，提交时要求升级	没有取得成片，不为尚未验证的效果先付费
Mango AI	拿到180积分并生成过两条测试片，但免费片带水印，外部音频权限又单独受限	完成初步验证，继续寻找可导入配音的替代工具
MiniMax	进入了声音测试路线，随后按我们的选择停止	没有采用它作为最终配音来源
SadTalker、EchoMimic 公共演示	遇到报错或较长排队，未取得这次可用成片	作为研究路线保留，没有纳入成片流程
Qwen3-TTS	先得到自然度可接受的短样，后通过官方魔搭入口完成整篇配音	承担声音制作
Clipfly	本次账号收到20赠送积分，两次生成各扣10积分，均下载到视频	承担照片口播生成

D-ID曾作为备用方向，DreamFace、CapCut等也进入过候选清单。它们仍属于待比较候选，这次没有同条件成片可供判断。表里的注册与额度情况，也仅对应我们的测试账号和测试时点。

图1：Hedra当时在生成环节要求升级。完成注册，并不等于已经获得可用试用额度。截图中的价格是当时页面内容。

三 照片被拒 不要只盯着背景改

第一轮真正拖慢进度的，是自有人物照片上传后被拒。因为官方样例多是简单背景，我们一度怀疑问题出在背景太复杂，于是把人物背后改为浅暖灰纯色，又试过JPEG、PNG、缩小尺寸等方式。

结果是：纯色背景版本仍然被拒。后来换了另一张人物照片，却成功识别了；那张图依然有街景、灯光和其他背景细节。

图2：换成纯色背景后仍无法识别。这个结果不能支持“只要背景纯色就能通过”的判断。

当时成功识别的一张图是768×1024的JPEG；之后另一张1086×1448的JPEG也被识别。它们说明我们应多准备候选图，却不足以证明“某个尺寸就是全部问题的根因”。内容、编码、压缩、尺寸和服务状态，都可能影响上传结果；我们没有取得服务端的明确拒绝原因。

更适合复现的做法，是先准备3—5张同一风格的人物候选图。每次只替换一个变量，并记录图片尺寸、格式、文件大小、是否识别成功。先用官方样例检查功能能否正常运行，再换成自己的图片。这样能区分“整条功能不可用”和“某份素材未通过”。

选图时，优先保证脸部清楚、嘴唇无遮挡、光线均匀。背景可以服务内容气质。我们的露台全身照适合表达从容生活，但人物脸部占比较小，不利于细看口型；如果下一轮专门比较嘴部细节，我会先试更近的半身构图。

图3：换图后成功生成的自有人物测试片。复杂背景可以通过；画面中的Mango水印也清楚可见。

四 声音调试的关键 是先听十秒再做整篇

人物看上去成熟，声音却像二十多岁的年轻人，观众很容易觉得不协调。我们对配音的反馈，实际上分成了四层：口音是否合适，语气和停顿是否自然，声音有没有年龄感，整体是不是仍有明显的合成感。

最初试过Microsoft Edge语音合成的女声，做过降速、降调和轻微均衡调整，也试过其他音色。一版被指出台湾腔不合适；改回大陆普通话后，语气和停顿基本正常，但音色仍偏年轻。再往成熟、沉稳方向调整，短听似乎可以，放进完整视频里，又听出了明显AI味。

这段经历给我的启发是：降调可以改变听感，未必能做出可信的成熟人声。当基础音色不合适时，继续堆参数的收益有限。后来我们换到Qwen3-TTS的声音设计，先生成约10秒的短样，确认自然度，再把年龄感与醇厚感往上调整。

图4：先做短样，单独判断声音。这个阶段不需要消耗数字人视频生成积分。

最初我用演员声音形容想要的气质，随后把这种感受转译成了可操作的声音描述：年龄、口音、音高范围、共鸣、语速、情绪和交流场景。实际生成没有使用演员录音作克隆素材。

可以直接复用的声音描述

一位55岁左右、阅历丰富的中国女性，标准大陆普通话。声音有明显的成熟年龄感，声线中低，圆润、醇厚、饱满，带自然的胸腔共鸣和一点细微沙感，声带质感扎实，发声松弛而有支撑。像在傍晚安静的露台上，和相识多年的朋友私下交谈，真诚、温暖、沉静，从容地说出自己的体会。语速舒缓而连贯，约每秒四个汉字，句子内自然连接，停顿与换气顺畅，重音轻柔，句尾平稳收住。保持自然人声的细微变化。避免甜美少女感、台湾腔、播音朗诵腔、气息虚弱的老奶奶感、夸张气声、机械停顿和刻意压低嗓子。

这段提示词里的“55岁左右”，是创作方向，不是对生成声音年龄的鉴定。试听时可以这样判断：年龄感不够，先改声线与共鸣描述；停顿太碎，先改句子和标点；语速太快，先缩短内容或调整语速要求。每次集中修改一两项，保留上一版，方便对比。

五 一分钟口播 先给人一个具体场景

新人物图是一位穿紫色裙装、站在傍晚露台上的女性，气质安静、亲和。我们据此把主题确定为“留一点时间给自己”，内容围绕工作、家人、手机、茶和阅读展开，让画面与语言处在同一个生活场景里。

结构很简单：开头点出感受，中间写出日常困境，再给一个今天就能做的小行动，最后用品牌句收住。这比在一分钟里讲五六个道理，更容易保持交流感。

可直接复用的完整口播稿：

你有没有发现，到了这个年纪，最难得的，是终于能安安静静地陪一会儿自己。白天，工作要顾，家人要顾，总觉得忙完这一件，就能歇一歇。可事情总也做不完，留给自己的时间，反倒一推再推。今天，试着给自己留二十分钟吧。把手机放远一点，泡杯茶，翻几页喜欢的书，或者像现在这样，看看天色慢慢暗下来。有人找你，晚一点回复也可以。还有些事，明天再处理，也来得及。我们已经很会照顾别人了，往后的日子，也该多问问自己：累不累，想不想，喜不喜欢。愿你每天都能有一小段时间，不赶路，也不勉强自己。这里是知命有光，陪你把日子，过得从容一点。

这篇稿子约218个汉字。按照我们希望的舒缓节奏，生成音频实测为62.24秒。**字数只能用来估算时长，音频文件才是最终依据。**同样的文字，不同音色、停顿、语速，都会改变结果。

六 Qwen3-TTS 从输入到下载的实际操作

1. **进入官方演示。**可以从Qwen3-TTS官方项目找到演示入口。我们先用过Hugging Face演示，后来切换到官方魔搭演示，并完成登录。
2. **选择 Voice Design。**在 Text to Synthesize 中放入口播文字，把 Language 设为 Chinese，将上面的声音描述填入 Voice Description。
3. **先生成短样。**截取两三句，点 Generate with Custom Voice。先听口音、音色、停顿，再决定是否继续。短样满意后，替换为完整稿件。
4. **等待明确成功。**一分钟这轮，页面处理时间明显超过最初估算，数分钟后才出现音频。看到播放器和“Voice design generation completed successfully!”后，再认为任务完成。
5. **下载后核对。**确认本地文件能播放，时长正确，开头和品牌结尾没有缺失；把文案、声音描述与音频按同一版本名保存。

我们在Hugging Face入口遇到过整篇、短段和参考音色模式的通用Error，页面没有解释具体原因。因此没有把失败武断归结为字数过长。魔搭登录后，整篇声音设计完成，原始音频是24kHz单声道WAV，时长62.24秒。

图5：魔搭入口整篇生成成功，播放器显示约1分02秒。声音先获确认，再进入视频生成。

下载时也有一个小插曲：自动点击下载没有立即触发保存，后续在本地下载目录取得了完整音频并核对为62.24秒。遇到类似情况，先确认文件是否已经落在下载目录，再核对大小、时长和内容，避免把旧音频误当作新版本上传。

长期固定角色音色，可以继续研究“先声音设计，再用已认可样本作参考”的方法。官方文档提供了相应流程。本次一分钟配音使用Voice Design，参考音色模式尚未成功；长期音色一致性还需单独验证，每次重新设计的声音可能变化。

七 还有129积分 为什么 Mango 仍然要求升级

在转向Clipfly之前，我们在Mango完成过两条测试：第一条用官方人物样例配上传音频，第二条用自己的照片配上传音频。账户从180积分降到153，再降到129。看起来还可以继续制作，下一次点击生成，却弹出了升级窗口。

两条Mango测试使用的是当时低消耗的1.0模型，界面显示1积分对应1秒视频；另一档2.0模型当时显示20积分/秒。相同积分余额，换一个模型，能生成的时长就可能完全不同。读者复现时，应先看自己所选模型旁的实际标价。

这里最容易看错的是升级的对象。弹窗写的是**“Upgrade to Upload / Record Audio”**，指向外部音频上传或录音功能，而不是简单地提示生成积分不足。

图6：右上角还有129积分，弹窗却要求升级音频上传权限。积分和功能次数是两套限制。

Mango官方套餐页的免费版说明列有180积分、平台水印，以及总计2次音频上传或录制；它不是“每天2次”。这与本次第三轮被阻断的现象相符。具体后台如何计数，我们没有读取，也没有继续反复试传。

所以，领取试用额度时，我现在会同时看四项：生成积分、外部素材导入次数、单次时长、导出权限。再有一个页面显示“免费”，也要看它具体免费的是编辑、生成、试听还是下载。开源模型本身可用，也不代表公共演示的算力和排队时间无限。

八 Clipfly 先完成27秒小样 再制作一分钟

我们在查资料时，看到Clipfly照片口播页面介绍了自备音频与无水印下载。但我没有仅凭宣传页就把它视为“永久免费”。真正继续的条件，是账号登录后显示赠送了20积分，工作台显示当前生成需要10积分。

第一轮使用当时选定的人物照片和27.52秒音频，先验证能否完成中文口播、能否下载、画面是否出现可见水印。这条生成后扣10积分，得到27.52秒、1086×1448的视频，余额10积分。随后才使用新照片和一分钟内容，避免把所有额度耗在声音尚未确认的版本上。

图7：27秒小样跑通后，才进入一分钟版本。页面仍显示10积分，可继续一次本次标价的生成。

播放27.52秒小样

它与一分钟版使用不同照片、不同口播内容，展示的是工作流先后两个阶段，并非严格的同条件画质对比。

照片口播工作台的操作顺序

1. 进入Talking Avatar。在Upload Image区域点击上传，选择Upload from Device。
2. 选中人物图片，等待上传及人脸识别完成，再点击Confirm。核对左侧缩略图确实变成新照片，避免仍用上一条素材。
3. 点击Upload Voice Audio，上传已确认的配音文件。页面有英文脚本提示，但这次走的是音频上传入口，实际生成了中文口播。
4. 核对音频文件名和显示时长。上传后如果又回到空白脚本框，说明素材没有稳定保留，先排查，不要直接点Generate。
5. 我们保留完整人物画面，没有勾选Keep Only the Avatar Area。点Generate前，再核对图片、配音与积分标价。
6. 第二次生成会出现Generate Again确认，说明新任务会替换当前预览、旧内容可在Workspace查找。我们先保存旧片，再确认新任务。
7. 出现Generating后等待；出现新预览与Download按钮后下载。最后检查本地文件，不能只凭提交提示判断成片成功。

九 62.24秒上传失败 我们怎样保住全部口播

一分钟版出现了一个新问题：62.24秒WAV上传后没有保留在工作台，转成相同内容的MP3也一样。页面没有给出明确原因，所以我们没有把“60秒上限”写成已经证实的平台通用规则。

接着做了一个很小的验证：保留原始文件，制作一个59.8秒上传副本。处理时没有删除任何一句话，没有整体加速，也没有改变音高，只缩短八处较长停顿的中间空白，总计约2.44秒。这一版被工作台接受了。

想在剪辑软件里复现，可以导入配音并放大波形，在较长的句间停顿中间分割，只删除一小段安静区域；每处都保留自然换气。边听边改，目标先控制在59—60秒内，而不是为了凑时长切掉词尾。导出WAV或MP3后，再从头到尾听一遍。原始音频和缩短后的上传副本都保存在素材包里，便于对照。

原配音 62.24秒

上传副本 约59.8秒

这里可以得到的结论是：**在这次账号、这条素材、这个入口里，60秒内副本成功，62秒版本未成功。**后续遇到同类问题，值得优先检查时长，但不必把所有上传失败都归因于它。

十 成片下载后 我们实际验收了什么

第二条视频使用剩余10积分完成，余额变为0。文件实测59.84秒，768×1024、25fps，H.264视频和AAC音轨。上传副本约59.8秒，最终文件略有差异，记录时分别保留两者，不用“约一分钟”替代全部参数。

图8：一分钟版生成完成。照片、音频副本与新预览对应，余额为0，视频已下载到本地。

我们检查了开头、结尾、多个中间时间点，核对画面没有换错人物，口播内容完整，音轨与上传副本一致。六个抽查时间点没有看到可见平台水印。这些检查能够确认文件可用，但嘴形是否足够自然，还需要按正常播放速度听看，尤其留意闭嘴、开口、停顿与眨眼。

这条成片的特点也很明确：身体基本静止，变化主要在嘴部和轻微面部表情，完成了“让照片开口说话”的验证。输出是3∶4竖版，分辨率尚未达到1080p。全身构图保留了露台氛围，代价是脸部细节在手机屏幕上偏小。如果想要更多肢体表演或更近的口型细节，需要另做素材和效果测试。

图9：最终成片的六帧抽查，来自真实视频截帧。它用于检查人物与背景一致性，口型同步仍应播放判断。

十一 下一步在剪映完成字幕与发布准备

到这里，已经实测完成的是照片口播原片。下面是接到剪映继续制作的操作方案，不是本次已经做完的字幕成品。

1. **导入口播视频。**先检查原声是否完整，再确定发布画布。若需要9∶16竖屏，可以尝试背景填充或适度裁切；保留全身时检查脚部和头部是否出框。把3∶4拉伸成9∶16会改变人物比例，应避免。
2. **生成并校对字幕。**使用当前版本的字幕识别功能，或手动按已定稿文案输入。优先核对专有名称、漏字与断句。不同版本的功能名称和付费状态，以实际界面为准。
3. **控制阅读负担。**每行尽量保持一句短意群，白字加细暗色描边即可；用手机预览字幕与平台按钮的位置关系，不遮挡脸部，也不要贴底。
4. **最后再考虑配乐。**先确认纯人声已经自然。需要音乐时轻声铺底，听清句尾和换气，再决定音量。
5. **制作标题与封面。**这条视频采用“别再等忙完了，才想起自己”作为标题方向，话题与内容保持一致。

“没有可见平台水印”与“是否含AI生成内容”是不同的事情。发布这类数字人口播时，使用平台提供的AI内容声明，保留生成信息。抖音官方公告提供了主动标识说明；实际发布入口以当时客户端为准。

十二 把这条流程变成下次能直接用的工作习惯

每条内容都保留五份材料：人物原图、最终文案、声音描述、获认可的原始配音、实际上传平台的音频副本。生成完成后，再加入视频原片和一张成功页面截图。这样发现声音或口型问题时，可以定位是哪一版素材，而不是凭印象重做。

遇到的问题	先检查什么	下一步怎么做
注册卡住	验证方式是否可用	保留当前结果，转向能实际进入工作台的候选
照片被拒	官方样例是否可用，其他候选图能否识别	逐项检查尺寸、格式、清晰度，避免同时改很多变量
声音太年轻	基础音色是否合适，是否只是做了降调	先换声音设计方向，再用短样比较
还有积分却弹升级	弹窗写的是哪项权限	核对音频上传次数、时长、水印和下载权益
音频上传后消失	文件是否可播放，格式与真实时长是否合适	保留原件，用格式副本或少量停顿调整做对照
提交后长时间等待	页面仍在处理还是已经报错	保留任务，等明确结果，不重复扣积分提交
看起来有成片却找不到文件	下载目录、文件大小、播放时长	核对当前版本，再归档到项目文件夹

这次的单条流程已经跑通，长期批量生产还需要继续验证音色一致性、人物自然度、失败率与每条成本。下一步最值得做的，是固定一张人物图和一个认可的声音样本，用几条不同文案测试它们能否稳定工作。

把本文的声音描述、额度检查方法和问题排查表存下来。下次做AI数字人时，可以先用十秒声音小样和一条短视频验证，再投入完整内容。如果身边有人正卡在“图片传不上去”或“声音不自然”，也可以把这份实测过程分享给他。