数智人视频合成平台操作手册

点击预览音频后，会触发弹窗，可以预览音频，或者内容不满意可以重新编辑。

预览音频后，可以看到此音频生成视频需消耗的金币数量。如果音频没有问题，也认可消耗的金币数量，则可以点击“合成视频”来生成视频。点击后，会自动跳转合成结果页面，稍等片刻，您就可以下载数字人视频了。

您可以使用线下真实人物拍摄的一小段视频，生成个性化克隆形象的基础视频模型，后续可基于此基础视频模型生成短视频，短视频中人物的形象、声音、唇形、动作、服装道具则与拍摄那小段视频一致。

我们称这一小段原始的视频和音频为基础视频。同一个人，可能因为使用场景发生改变而拍摄的动作需要变化（比如坐姿改为站姿）、表情需要变化（微笑改为严肃）、衣着需要变化（正装改为休闲等）等等，拍摄处的不同的小视频，被定义为不同的基础视频。

基础视频的拍摄有特定要求，具体要求请见Q&A2.

第一次训练默认为瞬时模式形象克隆，一分钟完成数字人形象创建（免费不消耗钻石）。如对瞬时模式训练效果不满意，可点击“继续训练”消耗一个钻石等待两小时得到超逼真数字人模型！

具体操作步骤如下：

按步骤：

①形象名称：给您的形象输入一个名称

②形象性别: 根据您基础视频里的人物进行与之对应的性别选择

④原始背景：如您希望生成后的克隆形象可以抠图，需要上传原始背景图片

⑤如上步骤都操作好后，就可以点击“快速创建⚡️”了（瞬时模式），瞬时模式的数字人形象生成成功后，您可以在页面右侧我的形象里查看。回到”创建“模块下找到”我的形象“里面去进行视频生成使用。

⑦如您瞬时模式生成的数字人形象不满意，可在”视频生成形象”模块查看”我的形象”下点击“🔧”对应的数字人形象消耗钻石选择”继续训练”

⑧训练成功后您将得到一个超逼真的数字人模型！

某些情况下，在上传基础视频时，会显示“上传文件类型不确定”，解决方法见Q&A3.

最终可在“创建”模块，点击“”我的形象”，找到您新生成的基础视频模型。选择您自己的人物模型后，参考“使用公版形象生成视频”的步骤，使用此基础视频模型形象生成短视频。

生成成功后您可以在页面右侧查看结果视频

环境建议：

（1） 灯光建议：

影棚人像灯光组，至少需要有前景光源，和背光（轮廓）光源，人物离绿幕尽量远（2米及以上）便于达到比较好的绿幕抠图效果，注意避免衣物或道具反射绿光；

（2）声音建议：环境背景噪音需小于45db，无回声，无混响，建议录制前做好检测；

设备建议：

（1）专业录像与录音设备：录像设备建议索尼A7S3或A7M4，录音设备建议小蜜蜂，40mm或者50mm大光圈镜头（建议50mm F1.8 定焦镜头），光圈F2.8～F4，快门不高于1/100，ISO不高于800（具体参数需根据实际灯光环境调试）；

（2）其他设备（电脑、视频采集卡、提词器等）：根据实际情况而定，能满足需求即可；

录制参数：建议2k/30帧（如需高清可设定更高参数），非HDR格式；

拍摄建议：

（1）视频中要有声音，要保持音画同步；

（2）动作建议：相机需正对面部。讲话时，眼睛可以看提词器，提词器需要和相机处于同一方位，声音洪亮清晰，说错跳过下一句，动作幅度不超过相机采集框，不遮挡脸部。可以根据讲话习惯做一些轻微动作（例如：手势比划、头部晃动之类，但不要用有意义的动作——赞美/否定性动作等），需使用通用动作，动作幅度不宜过大，且动作频率不能过高，不能遮挡面部。嘴唇开合可以适度明显一些，可以比日常生活中稍夸张一些。

讲话的内容可以由被拍摄者准备，也可根据被拍摄者的情况，简化素材为背诵熟悉的诗词、数字、字母等。

（3）抠图需求：如后期需更换背景，以上视频均需采集1-2秒空镜头；

特别说明：

（1）视频中出现的动作会在最终生成视频时按照拍摄时的动作顺序播放；

（2）需避开绿色或蓝色服装（避免抠图误识别）等，不支持AI更换服饰；

（3）可佩戴框架眼镜。

1.1 过程建议

素材时长：15秒 – 60秒；

环境要求：环境背景噪音需小于45db，无回声，无混响，录制前需做好检测；

设备要求：指向性电容麦克（例如心形指向）；

录制要求：使用麦克风录制符合客户使用场景语气语调的声音（该语气即交付后合成音频的语气），不要把设备放在嘴边，避免有喷麦的声音，说错可跳过继续下一句。注意关闭混响，无需对原始音频文件进行任何后期调整；

录制参数：48k，16bit，单声道，标准化后增益应该在0.4以上；

推荐软件：Adobe Audition；

1.2 结果要求

语音文件支持mp3和wav格式，音频数量最多1条，时长为1-5分钟，优质模式时长需要5分钟及以上。

单人清晰人声，无背景噪音，房间混响，音量音调均匀，没有极长的沉默间隙。