数字人口播视频:一张照片加一段语音生成说话视频
用一张人物照片和一段语音,让 AI Agent 驱动口型生成数字人口播视频。本文讲清 TTS 配音到数字人一条链怎么走、用哪些工具、怎么批量换文案复用。

本文中的工具名仅供参考,实际工具可能已更新或更名。实施时请以工具市场中的最新工具为准。
本文要点
- 一张照片加一段语音,生成对口型的数字人口播视频
- TTS→数字人一条链在一个 Agent 里走完
- 可批量换文案复用,适合带货/口播/培训
本文用到的工具
为什么做口播视频这么费劲
做一条数字人口播视频,传统流程往往要跨好几个服务:先找配音——真人录或买一个 TTS 服务;再找数字人平台把音频对上一张人脸;口型不齐还得再修。每一步一个账号、一套 API、一笔开销,素材在工具之间来回导出导入,批量做几十条文案时尤其崩溃。
对带货、口播、培训这类需要持续产出的团队来说,真正的瓶颈不是"能不能生成一条",而是"能不能用一套流程稳定、低成本地批量产"。把配音和数字人拆成两个孤立环节,就很难做到。
这个工作流分四步
把"文案 → 语音 → 口播视频"抽象成一个可复现的闭环,交给一个 Agent 一条链跑完:
- 准备口播文案和一张人物图(示例用中性素材)。
- 把文案转成自然的中文语音。
- 用人物图 + 语音驱动口型,生成说话视频。
- (可选)进一步对齐口型,然后批量换文案复用。
每一步怎么做
整条链在一个支持 MCP 的 Agent 里用自然语言下指令就能跑,不用在多个后台之间切换。
第一步:准备素材
准备一段口播文案和一张正面清晰的人物图。演示时建议用中性假素材(例如一张授权的示例头像、一段产品介绍文案),避免使用未授权的真人肖像。
第二步:文案转自然语音
对 Agent 说:用 ae 把这段文案转成自然的中文语音。它会调用中文语音合成类工具(如 ae_f5_tts)把文字读成一段音频。这一步决定成片的听感,建议先试一两句确认音色和节奏合适,再转全文。
第三步:图像 + 语音驱动口播
把人物图和上一步的音频交给 Agent:用 ae 让这张图里的人物说这段话。它会调用数字人口播类工具(如 ae_davinci_magihuman),用图像加音频驱动口型,生成一段说话视频。
第四步:口型优化与批量复用
如果口型和语音还不够贴合,可以让 Agent 再用口型同步类工具(如 ae_latentsync)做一遍对齐优化。定好一套满意的人物图和参数后,只要换文案重跑第二、三步,就能批量产出多条口播视频。
| 做法 | 分别买配音 + 数字人服务 | 一个 Agent 一条链 |
|---|---|---|
| 账号/Key | 多个服务各一套 | 一把 Key 全包 |
| 协同 | 手工导出导入音频 | 工具间自动接力 |
| 批量换文案 | 每条都重走全流程 | 换文案重跑即可 |
| 口型修正 | 另找工具 | 同一链里补一步 |
怎么开始
- 注册 AgentEarth —— 新用户赠送 1,000 积分。
- 在 WorkBuddy、Trae 这类 Agent 里搜索 "AgentEarth" 直接端内连接;或把一行 MCP 配置粘进 Claude Code / Cursor / VSCode。
- 直接用自然语言下指令,比如用 ae 把这段文案转语音,再让这张图里的人说出来,Agent 会自己挑工具并按顺序执行。
常见问题
支持中文自然音色吗? 支持。先用中文语音合成类工具(如 ae_f5_tts)生成自然语音,再驱动口播,中文听感更自然。
一张照片就够吗? 口播生成以一张清晰正面人物图为主要输入,配上语音即可驱动口型,无需提前录制视频。
能批量换文案出多条吗? 可以。固定人物图和参数后,只换文案重跑配音和口播两步,即可批量产出多条视频。
注册领积分 · 浏览 2,400+ 工具 · 接入指南
