数字人口播与虚拟主播
让一张人像把信息讲清楚
「AI数字人口播与虚拟主播视频」把一张人像和一段短脚本或语音，做成一条数字人口播视频。它用音色库的音色把脚本配成旁白，或直接用你的录音，交付一条最长 15 秒、人物随语音开口讲话的 MP4，适合讲解、公告、课程和产品介绍。「AI数字人口播与虚拟主播视频」可在 WorkBuddy、Claude Code、Codex 等支持 Skill 的智能体里使用。
请安装 AI数字人口播与虚拟主播视频；需要登录授权时告诉我：https://beatra.ai/skills/talking-avatar-video/install.md
给智能体读：安装说明Markdown 版
发给 WorkBuddy、千问办公、Codex、Claude Code 等智能体即可安装，首次使用登录一次。GitHub ↗文档 ↗
一张人像，一条声音驱动的口播短片
01
先把旁白准备好
使用现成语音，或先把短脚本生成可试听的旁白，再进入视频阶段。
02
让表演服务于内容
克制眼神、表情、动作、镜头与背景，并如实检查人物和口型效果。
怎么做出来
01 · 旁白准备
先让语音适合这条短片
使用现成录音或为短脚本选择音色，检查实际音频长度，并按数字人口播节奏组织内容。
让文案顺口 · 视频前先试听旁白 · 按实际语音匹配成片时长
02 · 口播导演
让人物稳定地讲完一个重点
围绕一个信息，安排视线、表情、姿态、轻微动作、构图和背景。
使用一张稳定人像 · 避免多余动作 · 检查人物和口型表现
适合产品讲解、培训、公告与社交口播
产品讲解
用稳定的虚拟讲述者介绍功能、优惠或上新，不必重新拍摄真人口播。
培训与课程
制作简短的入职说明、课程开场或内部更新。
公告与社交口播
把准备好的信息变成面向观众的公告或社交短视频。
输入与输出
输入 · 图片：一张主播人像
- 格式
- JPG、PNG
- 规格
- 单次 1 张
输入 · 文本：一段要讲的短脚本
输入 · 音频：你录好的语音（可选）
- 格式
- MP3、WAV
- 规格
- 2–15 秒；单个文件最大 15 MB
输出 · 视频：随口播开口说话的数字人口播视频
- 格式
- MP4
- 规格
- 单次 1 段；最长 15 秒
输出 · 音频：用你的脚本生成的旁白
- 格式
- MP3
| 输入或输出 | 类型 | 格式 | 规格 |
|---|---|---|---|
| 输入 | 图片：一张主播人像 | JPG、PNG | 单次 1 张 |
| 输入 | 文本：一段要讲的短脚本 | — | — |
| 输入 | 音频：你录好的语音（可选） | MP3、WAV | 2–15 秒；单个文件最大 15 MB |
| 输出 | 视频：随口播开口说话的数字人口播视频 | MP4 | 单次 1 段；最长 15 秒 |
| 输出 | 音频：用你的脚本生成的旁白 | MP3 | — |
常见问题
开始制作需要什么？
一张清晰人像，再加一段现成语音，或一份短脚本加一个音色。
可以使用自己的录音吗？
可以。2 到 15 秒、15 MB 以内的 MP3 或 WAV 录音可以直接驱动人像开口。
数字人口播是怎么做出来的？
画面里的人物由你的人像动起来，口型由语音驱动。
