youcutai

如何制作会说话的照片

更新于 2026年9月1日 · 7 分钟阅读

什么是说话照片,用在哪里

说话照片是一段短视频:一张静态人像看起来在说话,嘴唇与音轨同步,头部有自然的小幅动作,眼睛会眨。AI 说话照片 工具用一张图片加一个音频文件或一段输入的文字(自动转成语音)来生成。

常见用途:

  • 讲解和产品视频,需要一个主持人却不想拍摄。
  • 个性化祝福,生日、节日和客户欢迎。
  • 历史与教育内容:科学家的肖像朗读自己的信件。
  • 品牌吉祥物和卡通形象 发布公告。
  • 宠物 在社媒帖子里说出笑点。
  • 语言学习:同一张脸用几种语言说同一段脚本。

价格是每 10 秒语音 20 积分,Pro 套餐下约 $0.60。30 秒的片段就是 60 积分,生成前先规划好脚本长度。

第一步:选一张适合动起来的源图

照片决定了 80% 的效果。选择或拍摄具备以下特点的照片:

  • 正面,或最多转约 30 度。 侧脸无法可信地做口型同步,因为半边嘴被遮住了。
  • 闭嘴或接近闭嘴,中性表情。 模型负责张嘴,但很难把大笑合上。闭嘴的照片也避免牙齿被重绘。
  • 脸在图中至少 500 像素高。 小脸会产生糊掉的嘴。如果只有小图,先用 AI 图片放大 放大 2 倍。
  • 光线均匀,嘴部没有生硬阴影。
  • 下半张脸没有遮挡:不要托腮、不要话筒、不要围巾。
  • 对焦清晰。 软的照片会变成软的视频。略软的原图可以用 AI 照片增强 补救。

宠物、卡通和画作也适用同样的规则:模型需要看到清晰的嘴部区域。正面拍的狗可以,侧面的不行。

竖构图(3:4 或 9:16)、脸位于中上三分之一,是社交平台最灵活的取景。

第二步:提供声音:输入文字或上传音频

在 AI 说话照片 中有两种选择。

输入文字。 输入文本并选择声音:女声温暖、女声明快、男声沉稳、男声活力或童声。内置的文字转语音会把标点当作节奏处理,所以按说话的方式写:短句,逗号换气,句号停顿。数字和缩写按读法拼写("二零二六"、"A P I")。大约 40 到 50 个汉字填满 10 秒。

上传音频。 MP3 或 WAV,最长 60 秒。用于你自己的声音、其他服务克隆的声音、播客片段或一段歌词。干净的音频很重要:背景音乐和房间回声会干扰音素检测,导致嘴型偷懒。在安静的房间里贴近话筒录音,剪掉开头的静音,并做音量归一化。

哪个更好?输入文字能得到完全干净的音频和一致的口型;上传音频更有真实感,也能匹配已有的品牌声音。很多人先用文字草稿检查画面效果,再用真实录音重跑。

第三步:生成并检查

点击 生成。10 秒的片段大约需要一到两分钟。结果是内嵌音频的 MP4。

检查清单:

  1. 同步。 正常速度播放,观察爆破音(p、b、m):嘴唇应在这些音上闭合。如果一直滞后,多半是音频开头的静音没剪掉。
  2. 牙齿和舌头。 这些是生成的。略显通用的牙齿正常;帧与帧之间牙齿明显变化,说明源图的嘴是张开或模糊的,换闭嘴照片。
  3. 头部动作。 小幅点头和倾斜是正常的。头晃得不自然,多半是脸太贴画框边缘,重新裁剪留出更多头顶空间。
  4. 身份一致性。 把最后一帧与源图对比。30 秒内有一点漂移正常;10 秒就明显的话,源图分辨率太低。
  5. 背景。 静态背景会完全不动。背景杂乱没关系,但工具不会让头肩之外的任何东西动起来。

如果一条片段 90% 满意,用同样的输入重跑一次;每次结果略有差异,第二次往往就是最终版。

避开恐怖谷

当动作太完美或太平时,说话照片会显得诡异。几个制作选择能带来很大差别:

  • 保持简短。 10 到 20 秒能抓住注意力;一张静态照片说 60 秒,不管质量多好都会变得奇怪。
  • 口语化写作。 有自然停顿的脚本会产生自然的头部动作,平铺直叙的文字会产生一张平铺直叙的脸。
  • 在编辑器里加一个细微的推进。 整段 3% 到 5% 的缓慢推进能掩盖构图从不变化的事实。
  • 切镜头。 在说话照片之间穿插 B-roll、产品镜头或字幕,而不是一直停在脸上。
  • 声音要配脸。 企业头像配童声,或者宁静的画作配活力男声,会瞬间打破幻觉。
  • 不要过度增强源图。 生成前重度磨皮会得到塑料感的结果。

插画角色和吉祥物可以放开风格化;观众对卡通夸张的嘴型接受度远高于照片。

同意、披露与合法使用

让一个真实的人看起来说了他没说过的话,是敏感操作。工具面向你拥有或获授权使用的照片,以及被拍摄者同意的语音内容。未经同意不要制作公众人物、同事或陌生人的说话照片,更不要用它冒充他人或误导观众。

多个司法辖区现在要求广告和政治内容中的 AI 生成形象必须标注。在文案或画面里加一句"AI 生成"不花任何成本,还能让你符合平台规则;抖音、YouTube 和 Meta 都有合成媒体的披露开关。

肖像已进入公有领域的历史人物、你自己的脸、带合成媒体授权的图库模特,以及你自己创作的插画角色,都是安全范围。

常见问题

语音最长多少?+

每次生成最长 60 秒。按每 10 秒 20 积分向上取整计费,25 秒的片段需要 60 积分。

可以用我自己的声音吗?+

可以。上传 MP3 或 WAV 录音,嘴型会与之同步。在安静房间录音并剪掉开头静音效果最好。

宠物和卡通可以吗?+

可以,只要嘴部清晰可见且大致正面。风格化角色通常比写实人物看起来更自然。

输入文字支持哪些语言?+

英语、中文、日语、韩语、西班牙语、法语、德语、葡萄牙语等。上传任何语言的音频都可以做口型同步。

← 全部教程

文中提到的工具