零基础10分钟可以学会的数字人口播视频工作流

一张自己的照片、一段声音，就能让画面里的自己说出新台词。 开场介绍、产品讲解，甚至带 PPT 的知识分享，都可以从这套数字人口播流程开始。

下面这段是我已经做出的效果。人物用我的形象和声音参考生成，再加上字幕、PPT，以及半屏和右下角的小圆窗。

数字人口播效果演示（口播、字幕与PPT）

接下来跟着教程，零基础也能学会。你完全不需要懂任何技术概念，也不用会写代码。 先准备一张照片、一段本人录音和两句台词，照着步骤上传素材、复制提示词，再检查生成结果。

第一次的目标很简单，做一段 10 至 15 秒的自我介绍。你想做产品介绍、课程讲解或知识分享，都可以先用这段短片练习。照片、声音样本和检查方法留好，后面换台词时就能继续用。

标题里的 10 分钟，指学会这套操作流程。 首次注册、开通、生图和视频生成的等待需要另外留时间。先跟着做一条短片，复杂的剪辑和画面变化可以后面再学。

已经完成的数字人口播开场

已经完成的 PPT 讲解与人物小窗

先认清这套流程里，谁负责什么

把一条数字人口播视频拆开看，其实很好理解。

照片提供人物长相和布景。声音样本提供音色参考。台词决定人物要讲什么。万相生成带声音的口播原片，之后再加字幕、PPT 和画面变化。

照片 + 声音参考 + 台词 → 口播原片 → 字幕与剪辑 → 成片。

你可以手动准备材料，在网页里提交生成，再用自己熟悉的剪辑工具处理。已经使用 Codex 这类能调用工具、处理文件的 AI 助手，也可以把生成和后期交给它。普通聊天工具可以帮你写稿；真正交付视频，还需要它能够访问视频服务、取得生成结果并处理文件。

第一次先把“人物能完整说完一句话”做出来。产品展示、复杂动效和整套课程，等这条短片通过再加。

开始前，把账号和三份素材准备好

需要一个能使用万相 3.0 视频生成的阿里云百炼账号。打开万相 3.0 模型页，核对模型、地域、当前价格和自己的额度，再点“立即体验”。初次使用时，按官方页面完成登录与开通。

现在的体验页能看到“参考媒体”、视频参数和“声音”入口。未登录时这些控件不可用，需要先登录。账号开通和页面等待不算进这次 10 分钟练习。

照片、声音和台词的准备要求示意

照片优先用本人正面照，嘴部清楚，肩膀完整，光线均匀。声音找一段本人自然讲话的录音，只有一个人说话，尽量没有背景音乐。台词先写两三句，讲清自己的名字和一个具体用途。

要制作自己的数字人，就使用自己的素材。涉及其他人的照片或声音，先取得本人允许。发布时按平台要求保留 AI 内容标识。

第 1 步，用一张照片确定你的口播形象

手机里的清晰照片就可以作为起点。先看脸有没有失真，嘴部有没有被遮挡，构图是不是适合后面的视频。

如果想换成统一的工作室布景，把本人照片交给支持参考图的生图工具，再发送这段要求。背景可以改，人物的辨识度要保留。

根据我提供的本人照片，生成一张适合口播视频的写实工作室形象图。
保留原本的脸型、五官比例、发型和年龄特征，不要换成另一个人。
人物正对镜头，坐姿自然，上半身和肩膀完整，嘴部清晰，双手自然放在桌面。
使用柔和的人脸补光，背景是简洁的工作室，背景可以轻微虚化。
横版16∶9，人物四周留出后期裁剪空间。
不要生成字幕、标题或其他人物。

我这次的形象就调整过脸型、头部大小和坐姿。后面做半屏和小窗时，人物周围留下的空间就能用上。你拿到图以后，先放大检查脸和手，再决定是否进入视频生成。

这一步完成时，你应该有一张自己认可的形象图。 已经有合适照片，就直接用它，不必先花时间换布景。

第 2 步，准备一段能听清的本人声音

用手机录音，或者从自己的历史视频里截出一句完整的话。读平时会说的内容即可，语气自然，别刻意模仿播音员。

第一次可以准备 10 至 15 秒。我这次实际使用的声音参考是 13.78 秒，截取的是完整句子，没有改变音高和语速。

万相 3.0 的参考音频支持 WAV、MP3，参考音频总时长不能超过 15 秒。这里的 15 秒限制说的是输入的声音样本，视频的生成时长另外设置。素材要求

先播放样本听一遍。开头没有切掉半个字，结尾没有断在句子中间，讲话声音明显高于环境噪声，就可以继续。

声音参考能帮助模型生成相近音色，最终像不像自己仍需要试听。我这次保留了本人参考音频和生成记录，也没有把它当成完全一致的声音复刻来承诺。

第 3 步，先写一段短到能够完整讲完的台词

第一条练习可以直接用这两句，把名字换成自己的。

大家好，我是小林。今天分享一个小方法，帮你把照片做成会说话的口播视频。

有自己的选题，也可以让 AI 压缩成一段短稿。

请把下面的内容改成适合10至15秒试片的中文口播稿。
只讲一个意思，用自然的日常表达，先给一版约35至45字的短稿。
不编经历、数据和效果承诺。
单独列出需要明确读法的数字、英文和专有名词。
我会读一遍计时，再决定删字还是增加时长。
原始内容是［填入你想讲的内容］。

字数只用于起步，自己读一遍、计时，比套一个固定语速可靠。 遇到英文、数字或者需要停顿的句子，给它多留一点时间。

我这次做 PPT 讲解时，碰到 AI Native 的读法问题，需要重新生成。英文和专有名词的读法先写清楚，会少一轮返工。

第 4 步，提交照片、声音和新台词

在万相 3.0 的体验页选择参考生视频的方式，通过“参考媒体”提供形象图和声音样本。提示词里用“图1”“音频1”指向它们，图片和音频分别编号。参考素材的写法

第一次测试按下面这组要求设置。

• 模型，万相 3.0 标准版，对应 wan3.0-video

• 输入方式，参考图片和参考音频一起使用

• 清晰度，先用 720P 测试

• 画面比例，16∶9，与准备的横版图一致

• 时长，先选 10 或 15 秒，按试读结果决定

• 声音，保持开启

• 画面内容，单人、固定镜头、少量自然动作

当前体验页起始显示的是 1080P、自动比例和 5 秒。提交前把参数改成自己的要求，别只在提示词里写“15 秒”就忽略页面上的时长。

下面这段提示词可以直接替换台词后使用。

生成一段写实的单人口播视频，15秒，横版16∶9。
图1是人物形象参考，保留人物的脸型、五官、发型、衣服和工作室背景。
音色参考音频1，用这个音色说新的台词，不复述参考音频的原句。
人物正对镜头，固定机位，表情自然，只有轻微点头和手部动作，口型同步。
人物说：“大家好，我是小林。今天分享一个小方法，帮你把照片做成会说话的口播视频。”
完整说完指定台词，开头和结尾留短暂停顿，结束后不要追加其他话。
无背景音乐，无字幕，不切镜头，不增加其他人物。

没准备本人声音、只想先理解流程，可以去掉音频素材和“音色参考音频1”那句，让模型生成声音。这条练习得到的就不是你的本人音色。

使用本人声音参考时，要选参考生视频。 万相 3.0 的首帧、首尾帧模式不能同时输入参考音频。模式组合限制

我做第二段时，为了让它接上一段尾帧，先用了首帧模式，结果声音跟前一段对不上。后来改回本人音频参考，再在剪辑里处理衔接。第一次做自己的口播，先把形象和声音做好，镜头过渡放到后期处理会更省事。

提交后等当前任务完成。阿里云文档给出的生成耗时通常为 1 至 5 分钟，实际还会受任务影响。已经有处理中任务时，继续看它的状态，不重复点击生成。任务说明

成功后及时保存原片。若你的网页入口无法添加声音参考，就把同样的素材和要求交给已经接入万相的 AI 助手，通过官方接口完成；仅凭一段提示词还不能让普通聊天工具自动获得调用能力。

第 5 步，听完原片，再加字幕和画面

拿到原片，先从头播放到尾。重点看人物有没有明显变形，台词有没有漏字或多出来一句，声音是否接近预期，嘴部动作是否与讲话大致对应。

我这次的开场原片，在目标台词结束后又多加了语音，所以成片剪到了约 6.97 秒。生成时写了“不要追加”，仍然需要检查结尾。

第一条通过以后，先加最简单的字幕。让你已经能处理视频的 AI 助手执行，可以发下面这段要求；手动剪辑时也可以照着设置。

给这段口播视频添加底部居中的字幕。
先根据实际语音确定每句开始和结束的时间，再用确认过的台词核对文字。
字幕使用白字、黑色描边，边缘稍微柔化，不加大块底板，不遮挡人物嘴部。
剪掉目标台词结束后的多余语音，保留自然停顿。
不要重做声音，也不要改变语速。
交付带字幕的MP4和可修改的SRT字幕文件，并保留原片。

自动识别的文字也要检查。“超级峰”可能被识别成同音字，AI Native 可能被识别成中文。字幕可以改对，原音读错时仍要处理原音，不能只把字幕改好就算完成。

想讲 PPT，再把口播原片和 PPT 页面一起提供。先说明哪句对应哪一页，人物用半屏还是小窗，别让 AI 自己猜。

根据这段口播原片和我提供的两页PPT，完成一段讲解视频。
先转写并列出逐句时间点，再标明各句对应哪一页PPT。
第一页使用左右半屏，左侧PPT、右侧人物，人物轻微缩放移入，右侧区域保持直角。
第二页使用PPT主画面，人物放在右下角圆形小窗，不遮挡页面内容。
PPT保留原图，不让视频模型重新生成页面上的文字。
隐藏页面上的翻页按钮、快捷键提示和其他操作控件。
按实际语音时间切页，保留底部白字黑描边字幕。
保留原音频，导出MP4并提供字幕文件。

这就是我的 PPT 样片采用的方式。页面内容保持原样，人物的位置和切页时机在后期处理。以后换一页产品介绍，也能沿用这个方法。

已经在用 Codex，可以把任务一次说完整

我这次把准备材料、调用万相和后期交给 Codex 处理。但让它开始前，仍需要有可用的视频服务、素材和调用授权。第一次开通这些条件，单独留时间完成。

你可以把下面这份任务发给能够调用万相、读取素材和处理视频文件的 AI 助手。先让它检查，再执行一条短片。

请根据我提供的本人照片、声音样本和确认过的口播稿，做一条数字人口播视频。

先检查照片是否清晰、声音是否为单人讲话、参考音频总时长是否不超过15秒。
读取当前万相3.0官方文档，核对调用方式、地域、参数和价格。
使用参考图片加参考音频的方式，单人固定镜头，720P，横版16∶9，生成15秒。
如果台词按自然语速说不完，先给我压缩稿，不要直接加速或增加生成时长。

这次只生成一条，生成费用上限9元。
提交前报告预计费用；缺少额度或必要授权时停在这一步，不购买套餐。
凭证只通过安全的密钥读取方式使用，不写进正文、截图或日志。
提交成功后持续查询同一个任务，不重复创建。

拿到原片后，核对台词完整度，列出需要我试听的数字、英文和音色问题。
剪掉多余尾段语音，按实际语音时间添加白字黑描边字幕，保留原音频。
交付原片、字幕版MP4、SRT和简短的生成记录。
这次不发布到任何平台。

口播稿是［粘贴最终台词］。
数字、英文和专有名词读法是［填写；没有就写无］。

9 元对应下面价格表里的 15 秒原价上限。执行时仍要核对当时价格，超出上限先停下。你也可以把这笔预算改成自己的金额。

拿到结果后，就在同一个任务里指出具体问题，例如“AI Native 按英文读，其他台词和画面保持原样”，或者“只调整第二页小窗位置”。已经做好的字幕和画面可以继续用，没必要每次都把整条视频重新生成。

做一条短片，大概要花多少钱

截至 2026 年 10 月 10 日，阿里云官方价格页列出的北京地域万相 3.0 标准版，720P 原价是每秒 0.6 元，当前限时七折，折后每秒 0.42 元。下面按只输入照片和声音，不输入参考视频，每段成功生成一次计算。当前价格

• 一段 10 秒口播，当前七折估算 4.20 元，原价估算 6.00 元

• 一段 15 秒口播，当前七折估算 6.30 元，原价估算 9.00 元

• 10 秒开场 + 15 秒讲解，当前七折估算 10.50 元，原价估算 15.00 元

我的最终两段使用的是万相的本人音频参考，没有额外调用火山引擎做声音复刻。10.50 元是这两段各成功生成一次的估算，实际扣费看账单。之前的重生成、人物生图、AI 助手订阅，以及可能使用的剪辑软件费用，都要另外算。

生成了 10 秒，最后剪成 7 秒，生成费用仍按成功生成的 10 秒算。若再加入参考视频，输入的视频秒数也会计费。免费额度是否还有、是否仍有效，要看自己的账号，先检查再提交。

碰到这些问题，按对应位置处理

• 声音跟自己差很多，确认传入了声音样本，选择的是参考模式；样本尽量去掉音乐和其他人讲话

• 找不到上传或参数入口，先检查登录、开通和模型；网页缺少声音入口时，使用已接入官方接口的 AI 助手

• 数字或英文读错，把准确读法写进台词要求，保留已经正确的画面和字幕材料，再处理生成原音

• 台词结尾没说完，自己读稿计时，缩短内容，或者在预算允许时增加生成时长

• 结尾多说了一句，台词完整的前提下，剪掉多余尾段，不必马上重生成

• 字幕跟嘴型对不上，用实际语音的时间点重新对齐；只替换文字不会修正时间

• PPT 文字变了，使用原始页面截图做后期合成，不让视频模型重画整页

• 页面一直显示处理中，查当前任务状态，结果不明时不要重复提交

长口播可以先按意思拆成短段，再分别制作、拼接。多段之间的音色和形象仍需要检查，尤其是课程和需要长期使用的内容，不能只看第一段就判断整套合格。

你的第一次 10 分钟练习

已有账号和素材后，可以按这个节奏理解并走一遍操作。

• 第 0 至 2 分钟，选一张本人照片，检查脸、嘴部和构图

• 第 2 至 4 分钟，选一段 10 至 15 秒声音样本，完整听一遍

• 第 4 至 5 分钟，写两句台词，试读计时，标出特殊读法

• 第 5 至 8 分钟，认识参考媒体和参数入口，核对模式、声音、时长与费用

• 第 8 至 10 分钟，看懂原片的检查方法，准备字幕和剪辑要求

生成等待另算，原片出来后再实际播放验收。第一次完成的标准很具体，人物看起来正常，台词完整，声音能接受，字幕没有明显错字，文件能够播放。

我觉得先做自己的两句介绍就够了。它通过以后，再换成一个产品功能、一页 PPT，或者一个你平时会讲的小知识。形象、声音样本和检查标准留好，下一条就有了起点。

如果这篇教程帮你理清了做法，可以转给正在准备产品介绍、课程讲解或知识分享的朋友。

也欢迎关注我，后面继续分享用 AI 做内容、搭自动化流程的实操经验。我们下一次教程再见～