跳到主要内容

工作流 · 更新于2026年10月

照片生成说话视频:创作者可复用的工作流

用照片生成说话视频,做一次很简单;但要为一个频道、一个品牌或一门课程每周都做,就是一套制作流程了。本页写给定期发布内容的人——介绍如何准备原始图片、让主持人在各条视频中保持一致、为每个平台规划画幅比例,以及让成本可预期。

照片+声音=视频

声音
没有照片?试试:
  • 免费预览
  • Google登录
  • 私密上传
UGC广告
唱歌
说话
单条视频
5分钟
输出
720p
同框场景
多人
种语言
6

下面的一切都基于OmniHuman 2.0:它接收一张静态图片和一条音轨,生成完整的表演——对口型、表情、手势,以及可选的镜头运动。

为照片生成说话视频准备图片

把选原图当作选角来对待。为每位主持人拍摄或生成一张主图:光线柔和均匀、背景简洁,如果想要手势就把手拍进去。把它保存为母版文件,每一集都复用——输入不变,人物形象就保持稳定。

照片的画幅比例决定了视频的画幅比例。为Reels、Shorts和TikTok裁成竖版(约9:16),为信息流裁成方形,为YouTube和演示文稿裁成横版(16:9)。宽高比在0.4到2.5之间都可以。

制作音轨

音频决定时间节奏,所以要在生成前把它定稿。在安静的房间录音,剪掉两端的静音,并统一响度。用自然语速念的脚本,效果比赶着念的好。如果使用合成语音,导出MP3或WAV,像其他录音一样上传即可。

只在确实需要剪切的地方拆分长脚本——模型能处理完整的五分钟片段,这样可以避免片段之间出现衔接跳变。

每周批量制作

一套能把质量和成本都控制住的简单流程:

  1. 1锁定主图一个系列的每一集都用同一张图片、同样的裁剪。
  2. 2写好并录完所有脚本集中在一天录制,声音更统一。
  3. 3生成5秒测试在投入完整时长的积分之前,先检查构图和动作。
  4. 4生成完整版本把多条视频加入队列;每个账户最多可同时生成三条。
  5. 5剪辑并加字幕在你常用的剪辑软件里添加字幕、音乐和logo。

按秒做预算

费用跟随时长:每秒10积分。Pro方案每周1,200积分,大约够生成两分钟成品视频——例如八条15秒的广告,或两条一分钟的讲解视频。按时长规划脚本,点击生成之前你就知道要花多少。

发布前的质量检查清单

每条视频上线前,都在手机上全屏看一遍。重点看三个时刻:第一秒,观众在这里决定是否继续看;任何辅音密集的台词,对口型误差会在这里暴露;最后一秒,视频应该以自然的表情收尾,而不是停在手势中途。

  • 如果音频结束后主持人僵住不动,剪掉最后半秒。
  • 压制字幕——大多数短视频观众是静音观看的。
  • 以原始音频为母版;不要重复压缩两次。
  • 文件名里带上脚本版本号,方便追溯A/B测试结果。

常见问题

怎样在多条视频中保持同一张脸?

每次生成都复用同一张主图、同样的裁剪。人物形象取决于图片。

应该用什么画幅比例?

根据平台选择:短视频平台用竖版,信息流用方形,YouTube用16:9。输出会沿用你照片的比例。

可以同时生成多条视频吗?

可以,每个账户最多可同时生成三条。

每条片段有时长限制吗?

每条片段可以是4秒到5分钟。

可以加字幕吗?

下载MP4后在剪辑软件里添加;模型生成的视频不带压制文字。

视频分辨率是多少?

OmniHuman 2.0输出720p,适合社交平台和演示。

多位团队成员可以共用一张主持人照片吗?

可以,只要照片中的人同意这样使用。复用同一张主图,能让主持人在所有人的视频里都保持一致。

照片需要纯色背景吗?

不需要,但安静、不杂乱的背景能让注意力集中在主持人身上,人物动起来时头发周围的边缘也更干净。

继续探索

让你的照片开口说话。

免费预览。