一张照片加一段录音，就能让人开口说话：数字人是怎么做出来的？
给一张静态照片配上一段声音，AI 就能让照片里的人动起来——开口、对口型、点头、眨眼。 两年前这事还得建模、拍棚，现在一张手机截图配段录音，十几秒就出片。 本篇讲清楚它是啥、能干嘛、以及如何上手？
作者 | 听风
编辑/排版 | MM77
翠鸟AI技术漫研 — 拓新AI边界、探索技术增量
01. 这是个啥技术
它有个正经名字，叫音频驱动的数字人（也叫 talking-head、说话头像）。
你给它两样东西：
一张人脸照片（正脸、清楚就行，手机随手拍的也可以）；
一段声音（你自己的录音，或者用文字合成的语音都行）。
它做的事，就是让照片里那张脸照着声音动起来：
说话时嘴型跟着音节走，语气重的地方眉毛会挑一下，还会有自然的点头、眨眼、头部轻微晃动。
最后吐给你一段视频，看上去就像这个人真的对着镜头讲了这段话。
它跟以前的数字人最大的区别是——不用建模、不用训练、不用录棚。
以前做一个能开口的数字人，得三维建模、绿幕拍摄，费时费钱。
现在一张照片就够了，几秒到十几秒出片。
我这次用的是 “xxx Avatar 在线服务”，同类的还有阿里的 EMO、腾讯的一些方案等等，原理都差不多。
02. 实测惊艳√
为了看看到底行不行，我随手截了一张抖音直播间唱歌主播的画面（正脸截图），又找了段十五秒的录音，一起丢给接口。
实测结果如下：
说实话，出片速度和口型的贴合度都超出我预期。一杯水的功夫，照片里的人就开口了。（为保护主播肖像，这里不放生成视频啦，大家可亲自试验下~）
03. 能拿来干嘛
这类技术门槛比较低、出片快，能玩的场景不少：
做口播视频：
写好文案 → 合成语音 → 配一张形象照，几分钟出一条讲解 / 带货 / 播报视频，不用真人出镜。
虚拟主播 / 客服：
给固定形象配上不同的话术，批量产出问候、通知、答疑视频。
让老照片"活过来"：
给家里长辈的老照片配段话，让静态照片开口说句祝福，逢年过节很有感觉。
多语言内容：
同一个人的形象，换不同语言的配音，一套形象讲多国语言。
教育 / 培训：
把课件讲稿转成"老师出镜"的讲解视频，省去反复录制。
......
04. 使用之前的两点提示
实测下来，有两个“小坑”值得提前说一声：
① "免费"要先开个户。
这类服务常写着"公开预览免费"，但你通常得先注册、绑定一个账户，系统确认你的身份后才让你用。免费的是用量，不是"不用登记"。
② 生成的视频会带 AI 水印。
我这次的成片底部烙着一行"This digital avatar is generated by AI"，去不掉。
这不是产品小气——按中国 2025 年 9 月起施行的规定（《人工智能生成合成内容标识办法》），AI 生成的视频必须打上明确的标识，让人一眼看出这是 AI 做的。
所以拿它做正式内容时，心里要有数：这东西天然带"我是 AI"的标签。
总结
音频驱动的数字人 = 一张照片 + 一段声音 → 一段会说话的视频。
不用建模、不用录棚，十几秒出片；
适合做口播、虚拟主播、让老照片开口；
注意两点：用之前多半要注册开户；成片会带去不掉的 AI 水印。
想自己试的话，找个提供 talking-head / avatar 生成的在线服务（xxxx Avatar、或国内各家的数字人平台）注册一下，传张正脸照、配段声音，就能玩起来了。
