如何用自己的音频让照片开口说话

你需要什么

逐步工作流

1. 1

   选择一张清晰的人像

   使用只有一张清晰正面人脸的图片。避免严重模糊、深阴影、眼睛或嘴巴被遮挡，以及脸部过小的照片。

2. 2

   准备语音录音

   使用 MP3、WAV 或 M4A 文件。背景噪声少的干净语音能为模型提供更清晰的时间信号。

3. 3

   上传并完成校验

   TalkingPhoto 会检查文件所有权、类型、大小和图片可读性。当前上传步骤不承诺自动完成人脸检测，因此请使用脸部清晰可见的照片。

4. 4

   提交生成任务

   服务端会预占额度，然后通过异步任务调用固定版本的 SadTalker 模型。供应商处理期间任务可能保持 queued 或 processing。

5. 5

   发布前检查结果

   完整观看 MP4，检查口型、牙齿、眼睛、皮肤和头部动作瑕疵。必要时换一张更清晰的人像或更干净的音频重新生成。

限制与负责任使用

生成时间会受供应商容量、输入长度、重试和网络条件影响。任务成功也可能包含视觉瑕疵。只上传你拥有或获准使用的照片和声音，在法律要求时取得同意，并在观看者可能误以为是真实录音时披露合成媒体。

不要将会说话照片用于欺骗性冒充、诈骗、骚扰或虚假信息。纪念或家庭历史项目尤其需要谨慎，因为生成语音是艺术重构，不是历史证据。