艾智语途工场

🎬 空镜模式只按提示词生成无人场景视频——无需数字人形象与参考音频，适合做对话背景、过场空镜

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 参考音频（音色样本）

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

点击或拖拽上传参考音频（音色样本，≤15 秒）
WAV/MP3/M4A，参考音频 ≤15 秒（仅克隆音色用，类似 GPT-SoVITS 参考音频），≤ 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

7 点/秒（2 分钟视频约 840 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

目标时长参考音频仅用于克隆音色（≤15 秒），说话内容由文字稿决定

画面描述（可选）描述场景 / 服装 / 光线 / 景别。提交时会自动拼在台词前面，一起作为模型提示词。
万相3.0 只有一个 prompt 字段，若发现画面描述被念出来，请改用括号包裹（如「（画面：…）」）或改用 OmniHuman（音频驱动，画面描述独立）

口播文字稿（必填）万相3.0 为文本驱动：文字稿决定说话内容，音频只提供音色（≤15 秒）；长文字稿会自动分段渲染 + 拼接

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，7 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：万相3.0

1. 素材就绪（形象 + 参考音频 + 文字稿）

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