如何让照片说话 — 照片、文稿与音频指南

准备一张清晰面孔和想让它说出的内容。本指南介绍输入选项、真实说话视频示例，以及消耗积分前应做的检查。

开始制作

真实的照片转说话视频示例

下方的人像和口播文稿来自现有的课程讲解员示例。聆听结果，并比较嘴部动作与台词。它展示制作流程，不保证每张照片都能获得相同效果。

生成的视频

从静态照片到说话视频

准备清晰照片
选择光线良好、嘴部可见的正面面孔。避免头发、手或道具遮挡面孔。请使用你有权制作动画的图片。
选择文字或录音
输入文字时，选择文稿功能和受支持的声音。使用自己的表达时，可上传音频或在浏览器中录音。Expressive 和 LTX 接受音频，不接受直接输入的文稿。
对比模型与输出设置
核对所选模型的输入模式、支持时长和分辨率。更长的片段或不同输出设置可能改变积分费用。
核对报价后生成
登录并准备输入素材，提交前核对积分数量。余额不足时，可通过现有充值流程添加积分。处理期间请勿重复提交同一请求。
检查完成的视频
聆听发音，并观察整个片段的嘴部、眼睛和面孔。检查结果后下载 MP4。成功购买积分后可下载原版文件。

先选模型，再选积分包

积分包提供的是余额，而非固定数量的视频。请根据模型、分辨率和时长估算下一次生成费用。一次性积分与订阅积分有不同的有效期规则。

说话头像 · Fast

分辨率: 由模型选择
支持的音频时长: 最长 600 秒
5 秒示例: 10 积分
30 秒示例: 60 积分

说话头像 · Pro

分辨率: 720p
支持的音频时长: 最长 600 秒
5 秒示例: 40 积分
30 秒示例: 240 积分

说话头像 · Expressive

分辨率: 由模型选择
支持的音频时长: 4–300 秒
5 秒示例: 70 积分
30 秒示例: 420 积分

音乐视频

分辨率: 480p
支持的音频时长: 最长 600 秒
5 秒示例: 10 积分
30 秒示例: 60 积分

Fast、Pro 和 Music Video 按五秒计费单位收费。Expressive 也将用量向上取整到五秒单位。这些示例采用原生输出设置，未包含可选的画质放大。

示例展示的是生成所需积分估算，并非历史任务收据。估算采用标明的模型、分辨率和时长。文字转语音可能另行计费，最终确认价格会在生成前显示。

查看模型与价格 →

生成需要登录并有足够积分。已完成的视频可下载为带水印的 MP4；成功购买积分后可下载原版文件。可用的订阅权益以你当前生效的方案为准。

请使用你拥有或已获许可的照片、文稿、声音和音乐。分享前请检查生成结果及发布平台的要求。

如果结果需要再试一次

嘴部几乎不动

检查嘴部是否可见、声音是否清晰。尝试光线更好、面孔更大的照片，以及一小段干净的语音。

时序感觉不对

对比输入音频与完成预览。更换模型前，先检查是否有长时间静音、背景人声、过快语速或选取不合适的音频片段。

语言听起来不一样

检查文稿和所选声音的语言。切换界面语言不会翻译已输入的文字。如需特定表达方式，可以上传自己的录音。

开始制作

照片转说话视频常见问题

不录自己的声音也能让照片说话吗？

可以使用兼容模型和可用文字转语音声音的文稿功能。提交前请检查声音预览和生成报价。

观看示例会消耗积分吗？

不会。观看示例和准备输入素材不消耗生成积分。制作新视频需要登录并有足够积分。

能用同一张脸配另一段文稿吗？

可以。保留同一张照片，更换文字或音频。每次新生成都会消耗积分，动作也可能有所不同。

这是实时互动头像吗？

不是。TalkingAvatarAI 根据输入生成视频文件。你可以预览和下载，生成结果不会进行实时对话。