艾智语途工场

① 数字人形象（单击选中，再次单击放大）

青年学者 · 横版 16:9

青年学者 · 竖版 9:16

青年学者 · 绿幕抠图

青年学者 · 蓝幕抠图

窗边教师 · 亲切

图书馆 · 知性

中式旗袍 · 典雅

青年男学者 · 儒雅

青年男教师 · 阳光

🎨AI生成

📤上传形象

16:9 成片画幅

形象图请避免出现国旗、国徽、党旗、军装标识、地图等涉政元素 —— 云端内容安全会将其判定为敏感内容并在生成前拦截（报错 DataInspectionFailed），与文案/音频无关。

有参考图时点“生成”＝以图改图（2点）

点击任意处返回（Esc 亦可）

或上传自定义形象照片
JPG/PNG，清晰正面人像，≤ 10MB

② 驱动音频

音频请在专门模块中制作，完成后下载回本页上传

声音克隆

提供 3~10 秒参考录音，1:1 复刻真实人物的音色与口吻。适合需要还原指定人物（如任课教师本人）声音的场景。

前往「语音克隆」模块

声音定制

无需参考录音，用文字描述想要的声音（性别、年龄、语种、风格），由 AI 设计全新音色。适合打造全新的声音形象。

前往「声音定制」模块

点击或拖拽上传制作好的音频
WAV/MP3/M4A，时长建议与下方「目标时长」一致（最长约 30 分钟），≤ 100MB

《理解当代中国》课程开场白，适合快速体验完整流程

字幕将随成片一起存入历史记录，可随时下载

③ 生成参数

生成引擎

艾智视频引擎 · 数字人口播

超经济 · 5 点/秒（2 分钟视频约 600 点）· 长音频自动分段拼接

当前引擎适合肩部以上口播，性价比约为传统方案的 10 倍

目标时长视频时长 ≈ 音频时长，请上传与目标时长相近的音频（15 秒示例音频仅供快速体验）

讲授风格控制数字人的口型强度、头部动作与眨眼频率，直接作用于视频生成效果

视频时长 ≈ 音频时长；生成由艾智视频引擎在云端完成，5 点/秒。超过 3 分钟自动分段渲染+叠化拼接（与教学视频流水线同款，最长约 30 分钟）。

当前模型：灵动模式

1. 素材就绪（形象 + 音频）

2. 提交云端生成任务

3. 云端渲染中（艾智视频引擎）

4. 取回成片并永久保存