AI 数字人口播视频怎么做：用一张照片和一段稿子生成会讲话的数字人
AI 数字人口播视频用一张人物照片加一段配音，生成这个人对着镜头讲话的视频。在 RooYun 里用数字人口播（InfiniteTalk）做，每秒 0.09 元，可用赠送积分；只要嘴动、画面已定好时，用更便宜的口播对口型。发布前要确认形象已获授权。
发布于 2026-11-01
文中价格为发稿时的定价，平台价格可能调整，以价格页为准。
AI 数字人口播视频，就是用一张人物照片加一段配音，生成这个人对着镜头讲话的视频，常用来做讲解、企业介绍、知识口播和带货。在 RooYun（如云）里用「数字人口播（InfiniteTalk）」做，每秒 0.09 元，可用赠送积分（取自 2026-10-31 的价目表，以生成前显示为准）。这篇讲完整步骤、用什么模型、各自多少钱，以及发布前要注意什么。
数字人口播视频是什么
数字人口播是「一张形象照 + 一段配音 → 会讲话的视频」。模型根据音频驱动人物的嘴型、表情和头部动作，让照片里的人像真人一样把这段话讲出来。它不需要真人出镜、不用摄影棚，改稿只要重做配音再生成一遍。
和真人拍摄比，数字人口播省了出镜和拍摄；和纯剪辑比，它能把一段纯文字稿变成有人讲解的视频。
做一条数字人口播要哪几步
- 准备形象照：一张正脸、光线均匀、嘴部和下巴不被头发或手遮挡的人物照片；半身比大头照更自然；
- 写口播稿：按「一句话说清是什么 → 讲两三个要点 → 收尾」写，口语化、短句，30 秒大约 90 到 120 字；
- 生成配音：把口播稿写进配音卡，选音色、语速和情绪生成配音，做法见AI 配音怎么做；
- 生成口播视频：把形象照和配音交给数字人口播，生成这个人讲话的视频；
- 穿插空镜、导出：单独生成几个相关画面（B-roll）剪在讲话中间，避免整条都是一张脸，再导出。
用什么模型、多少钱
下表价格取自 2026-10-31 的价目表，以生成前显示为准。
| 模型 | 价格 | 适合 |
|---|---|---|
| 数字人口播（InfiniteTalk） | 每秒 0.09 元 | 一整段对镜头讲话，带头部和身体动作 |
| 口播对口型（快速，LatentSync） | 每秒 0.072 元 | 画面已定好、只要嘴型跟着音频动 |
两者都可用赠送积分，适合先小成本试一版。配音另算，价格见价格页。以 30 秒口播为例，口播视频约 30 × 0.09 = 2.7 元，再加配音和几个空镜。
数字人口播和口播对口型怎么选
两者都能让人物说话，区别在动作：
- 数字人口播（InfiniteTalk）：由音频驱动，除了嘴型还有自然的头部转动和身体小动作，更像真人在讲话，适合从一张照片做出一整段讲解；
- 口播对口型（快速，LatentSync）：只把嘴型对到音频上，画面其余部分基本不动，更便宜，适合画面已经拍好或生成好、只差嘴动的情况。
先要一整段会讲话的视频，用数字人口播；已经有满意的画面、只想让嘴动起来，用口播对口型。
形象照怎么选效果才好
- 正脸或微侧，视线对着镜头；
- 光线均匀，脸上没有大片阴影；
- 嘴和下巴露出来，不被头发、口罩、手或麦克风遮住；
- 分辨率够高、人脸清晰；
- 半身构图比只有头部更自然，也方便加手势。
发布前要注意什么
- 肖像授权：数字人形象必须是本人或已获授权，不要用他人或明星的脸；
- 内容属实：口播和字幕里的说法、数字要真实，不用「最」「第一」这类绝对化用语，符合广告法；
- AI 标识：平台会给成品加 AI 生成标识，发布到各平台时按平台规则保留或补充声明。带货场景的完整核对清单见电商带货视频怎么做。
下一步
- AI 配音怎么做：选音色、调语速，把口播配音做干净
- 电商带货视频怎么做：数字人带货口播的完整流程和发布核对
- 5 分钟做出第一段视频：第一次用 RooYun 先跑通一条
- 价格页：数字人口播、配音各档的最新价格
常见问题
做一条数字人口播视频多少钱？ 数字人口播每秒 0.09 元、口播对口型每秒 0.072 元，都可用赠送积分；配音另算，价格见价格页。以 30 秒为例，口播视频约 2.7 元，再加配音和几个空镜。具体以生成前显示为准。
只有一张照片能做数字人口播吗？ 可以。数字人口播用一张正脸、嘴部露出的人物照片加一段配音，就能生成这个人对着镜头讲话的视频。
数字人口播和口播对口型有什么区别？ 数字人口播（InfiniteTalk）由音频驱动，会带上头部和身体动作，更像真人讲话；口播对口型（LatentSync）只对嘴型、更便宜，适合画面已经定好、只要嘴动的情况。
数字人口播视频能商用吗？ 需要形象是本人或已获授权，口播内容和数字属实、不用绝对化用语；平台会给成品加 AI 生成标识。