拍照、录视频、打字：三种方式生成你的数字人

想给自己做一个数字人，第一步不是挑软件，而是问自己手里有什么素材。有人只有一张证件照，有人能挤出十分钟录一段视频，还有人什么都不想拍、只想打字。这三样东西对应的路线完全不同，出来的效果、花的时间、能做的事差得很远。很多人的踩坑就发生在这一步：拿着照片去做需要视频才能达到的效果，做完发现不对，又得重新来一遍。下面按素材门槛从低到高讲三条路，每条都告诉你它能到什么程度、会在哪里露馅。

门槛最低：一张照片就能生成

只要一张清晰的正脸照，几个小时内就能让照片里的人开口说话，这是目前最便宜的路线。原理不复杂：程序先从照片里推断出人脸的三维结构，再根据你给的文字或者音频，去推算嘴巴该怎么动、眼睛该怎么眨，最后把算出来的表情贴回那张照片上。它的优点是快和便宜，适合做知识科普、口播短句、人物介绍这类镜头变化少的视频。缺点是明显：只能做正面或略微侧面的半身，头一转就容易变形，手和身体的细节基本没有，背景也几乎是死的。你可以把它理解成一张会说话的证件照，能说，但不能动。它的另一处短板是表情幅度小，遇到需要加重语气的句子，声音上去了，脸还是那张脸，情绪和表情对不上。

中间档：录一段视频，克隆一个会说话的你

这是目前商用最主流的一条路。你需要对着镜头录一段素材，通常要求光线均匀、背景干净、正脸直视、不要有大动作，时长从几分钟到二十分钟不等，具体看平台要求。程序会从这段视频里学你的长相、神态、说话节奏，训练完之后，输入任何新文字，都能生成一段你在说这段话的视频。效果比照片路线好一个档次，因为口型、眨眼、头部微动都有真实素材做参考。要注意的是它并非一次拍摄永久可用：换发型、换衣服、胖了瘦了，形象就会和素材对不上，通常需要重新采集。另外，素材质量直接决定成片上限，光线发黄、背景杂乱，克隆出来也带着这些毛病。采集时还有一个小技巧：把稿子拆成短句念，每句之间停半秒，程序更容易切分，成片的口型也更干净。

门槛最高：纯打字，从零做一个形象

这条路不需要你的脸，甚至不需要你长什么样。做法是先请人或者用工具做一个三维形象，可以做成卡通，也可以做成半写实，然后给它配上声音和动作，之后靠打字驱动它说话。它的好处是彻底摆脱真人素材的限制：可以换任意角度、任意服装、任意场景，可以做挥手、转身、走动这类动作，也不存在肖像权的问题。坏处是贵和慢，形象要建模、要绑定骨骼、要调动作，周期通常以周计算，改一次成本也不低。适合已经有品牌形象、要做长期账号、或者干脆不想露脸的团队。用它做单条视频，性价比通常不划算。

三条路线放一起比

把三条路线放在一张表里看，差距一目了然。注意最后一列，它决定了你能做多复杂的片子。很多人只看真实度，忽略了可动范围，结果做完发现只能拍大头，想加个转身都做不到。

怎么选：先看你要发多少条

选择标准不是哪个更高级，而是你要用它干多少活。一个月只发四五条，照片路线够了，花大钱做克隆是浪费。每天要出三五条，视频克隆更划算，因为素材一次投入，后面每条几乎只花生成时间。要做长期品牌账号、要出现在线下大屏、要能转身走动，才轮到三维建模。

还有一条容易被忽略：先跑小样再放量。不管走哪条路，先花最小成本做一条三十秒的样片，用你自己写的稿子念一遍，重点听三个地方：数字和英文缩写念得对不对、长句子中间会不会断气不顺、口型在爆破音上跟不跟得上。这三关过了再谈批量，比看任何演示片都靠谱。记住，素材决定上限，工具只决定下限。