AI数字人视频制作实操：从配音到成片全流程

做AI数字人视频这件事，多数人卡在头两步：要么生成的数字人不像自己，要么口型和配音对不上。我自己头部次做时也调了很久，后来把流程拆成五步，每一步都有明确目的，踩坑也少了。这篇教程直接按顺序写，工具都用免费或低成本能跑通的，方便你照着做。

1. 先想清楚你要哪种数字人

数字人不是只有一种，常见三类：真人克隆、卡通形象、纯AI生成脸。真人克隆需要你提供2分钟以上的正面视频素材，平台会训练你的形象，适合个人IP；卡通形象用虚拟捏脸，适合不想露脸的内容；纯AI生成脸则是输入提示词生成一个不存在的形象，用于营销号或测试。

我做口播教程用的是卡通形象，因为不需要授权问题，改表情也方便。如果你要做真人克隆，注意平台对素材的约束，比如光线均匀、无遮挡、背景干净，录的时候别戴帽子或口罩。

很多人先把数字人做出来，再想说什么，结果改文案就得重生成视频，很费时间。正确顺序是先写好口播稿，再让数字人照着念。口播稿时长按每分钟240到300字估算，一条2分钟的视频，文稿控制在500到600字。

写稿时不用太书面，口语化一点，短句多。比如“打开设置，找到隐私，关闭定位”比“请操作者进入设置界面，在隐私选项中禁用地理位置服务”更自然。

先用文档写好稿，再复制到数字人平台或者配音工具里。如果你用的是剪映的文字转语音，建议先单独生成音频，再和数字人合成，这样后期替换音频更方便。

目前主流做法有两种：一种是直接用带数字人的平台，另一种是分开做——先做口型和音频，再合成到视频里。

如果你要真人克隆，可以用HeyGen或闪剪这类平台，但它们的付费版本才支持商业用途，免费版通常有水印或时长限制。我做卡通形象时，用的是腾讯智影的免费数字人，选好形象后输入文案，调整语速和停顿，它就能生成一段带动作的视频。

生成时注意几个参数：

生成后先预览，确认口型大致对得上。如果某个字念错，直接在文案里改，重新生成一遍，不要试图后期补救，很麻烦。

把数字人视频导出为MP4，然后导入剪映。这里有一个容易忽略的步骤：数字人视频本身自带一个纯色背景，你得先把它抠出来，只保留人物，才能覆盖到你的背景画面上。剪映的“智能抠像”功能可以一键抠，但头发丝边缘有时会闪烁，建议用“绿幕”素材模式，背景若是纯色，用色度抠图更干净。

接着加上你的背景图片或视频，常见的是浅色渐变背景加圆形边框装饰。字幕生成用剪映的“识别字幕”，选择与数字人口型一致的音频轨道。如果数字人视频里已经有一段声音，记得先分离音频，再重新识别，这样字幕位置和音画更同步。

字幕样式建议：白字配深色描边，字号60到70，位置在画面下方约四分之一处，不要挡住人物嘴巴。

最后加一个封面：截取人物表情自然的画面，用醒图或美图秀秀加标题文字，注意标题字数控制在10个字以内。

导出时选1080P，30帧，码率选“更高”。短视频平台通用规格是1920×1080竖屏，如果你用电脑剪辑，记得在新建项目时设好分辨率和横竖方向。

导出后发现口型偏慢或偏快，可能是音频和视频轨错位，回到数字人平台重新生成，别在剪辑里调速度，会破坏口型。

另一个高频问题是声音忽大忽小，用剪映的“音频降噪”和“响度统一”可以解决。实测在安静的房间里录音，哪怕用手机，效果都够用。

如果你做了几条后想批量产出，可以存一个“数字人口播系列”的剪映模板，把动态背景、字幕样式、片头片尾都设定好，每期只需替换数字人素材和文案。

问：数字人视频会不会被平台判定为低质内容？答：目前各平台对AI生成内容的要求是添加AI标识，只要标识清楚，且内容有信息量，一般正常推荐。别做无意义重复搬运。

问：免费版数字人够用吗？答：做测试和练手够用。免费版通常限制时长和清晰度，如果做商业内容，需要看平台授权条款，不少免费版只允许非商用。

问：没有真人声音，可以用纯配音加数字人吗？答：可以，很多平台支持直接输入文案生成配音，再同步口型，只是语气可能平淡。建议调整语速和重音，或者使用带情感参数的语音合成。

找一段你熟悉的产品说明或新闻段落，大约200字，先写出口播稿。用腾讯智影或剪映自带的数字人功能生成10秒测试片段，看看口型和画质是否满意。满意后再扩写成完整文案，走一遍上述流程，做完后检查字幕和声音是否同步，没问题再发布。

记住，做数字人视频最耗时间的不是技术，而是文案和内容策划。工具只是把你说的内容用数字人的嘴讲出来，观众最终还是看内容本身。所以先打磨一条3分钟的完整内容，比做十条空洞的水视频更有价值。

附一个清单，下次做视频时逐项检查：