5分钟创建AI主播：数字人类构建初学者指南
一个在WaveSpeedAI上构建数字人的分步教程。
前言
并非每个人生来就是天生的演讲者，也不是每个人都乐于在众人面前讲话。
站起来讲话可能令人紧张——但如果一个”虚拟的你”能代替你进行演讲、直播或录制你的宣传读白呢？你还会害怕吗？
在WaveSpeedAI上，这已经不再只是一个想法了！你可以从零开始构建自己的数字人，让它以逼真的声音和表情说出你的话语。
它不会怯场，从不感到疲倦，你可以随时随地完善和重复使用它。它是你工作和生活中的可靠伙伴。
在本教程中，我们将指导你从零到一，一步步构建一个简单的数字人。我们这里使用的模型仅仅是开始——请随意探索更多功能和风格，打造真正独一无二的数字人。
在WaveSpeedAI上，我们的模型生成清晰、稳定的视觉效果，边缘自然，随时可用于展示。它们适用于正式的谈话头部、随意对话和产品解说等多种场景。
图像生成
一个帅气、可爱且自然逼真的数字人能为观众提供更好的体验。它还会吸引更多关注和流量到你的频道。
你也可以直接从个人照片创建一个。如果你已经准备好了合适的照片，可以跳过这一部分。
我将以bytedance/seedream-v4 为例，帮助你创建一个独特的虚拟化身。
在WaveSpeedAI上，搜索bytedance/seedream-v4——这是一个文本到图像的模型。现在，让我们输入一个提示词来创建你自己的数字人：
Half-length portrait of a young female digital human (22–28),
natural makeup, white shirt and light gray blazer,
looking at camera, soft studio light,
plain light-gray background, ultra realistic, 4k, 85mm, f/2.8
你可以自定义性别、着装和背景 等元素以满足你的需求，创建各种风格和氛围，使你的数字人感觉更具吸引力和品牌化。
语音生成
现在你的数字人已经准备好了，下一步是起草一个清晰的旁白脚本，这样他们就可以自然地”讲话”。
在WaveSpeedAI中，进入分类 > 文本到音频 来探索各种模型。我们提供自然旁白、语音克隆甚至歌曲创作的模型。
在本部分中，我们将使用minimax/speech-02-hd 作为示例。请随意尝试其他模型来探索不同的声音风格和效果。
在模型Playground 中，你会看到文本 和voice_id 等关键参数。这些参数协同工作来塑造你的数字人的音调和音色，你可以调整它们以适应不同的场景。例如，我创建的数字人是女性，所以我可以选择第一个语音选项Wise_Woman。
关键参数
速度
speed 控制你的数字人的讲话速度。选择适合场景的节奏——例如，产品介绍时稍微放慢，随意对话时加快。1 表示正常速度。
音量
volume 设置音量大小。如果你的数字人在讲述睡前故事，你可以降低speed 来放慢速度，并降低volume 以获得更柔和的音效。1 是默认音量。
音调
pitch 调整语音的音调。调整此参数使声音听起来更明亮尖锐或更深沉饱满。0 是默认音调。
情感
emotion 控制你的数字人的讲话风格。选择与场景相符的语调——这里我们选择happy。
英文规范化
english_normalization 选项启用后，使英文中的数字和符号在语音中听起来自然。不启用的话，系统可能会逐个读出数字（例如”one two three”而不是”one hundred and twenty-three”来表示”123”）。
采样率
sample_rate 决定音频质量（分辨率）。如果你在制作ASMR风格的内容，请选择更高的采样率以获得更丰富的细节。对于本教程示例，这不是关键的——保留默认值就完全可以了。
比特率
bitrate 决定音频文件的质量和大小。它表示每秒处理的比特数。较低的比特率会生成较小的文件但可能丧失细节；较高的比特率会产生较大的文件但声音更清晰。
通道
channel 参数决定生成的音频通道数。
- channel = 1（单声道）： 所有声音混合为单个通道——适合电话语音、通话录音或不需要空间宽度的以对话为中心的内容。
- channel = 2（立体声）： 声音分为左右通道，营造宽度感和空间感，提供更沉浸式、分层的体验——非常适合需要更高听觉质量的音乐、电影、游戏和视频旁白。
格式
format 允许你选择输出音频文件类型（我们这里跳过具体细节）。
语言提升
language_boost 提高模型对你所选语言的理解。对于本教程，选择English。
生成音频
接下来，粘贴你的脚本并点击Run 来生成音频！
Welcome to WaveSpeedAI’s Digital Human Tutorial. We’ll spark fresh ideas in AIGC and show you practical steps. Let’s unleash your creativity together!
下载音频文件——这是让你的数字人稍后能够讲话的关键部分！
让数字人讲话
最后，激动人心的时刻到了：我们要让你的数字人真正讲话！
在WaveSpeedAI上，搜索wavespeed-ai/infinitetalk——我们专门为数字人旁白设计的高质量模型。
在模型的Playground 中，你会看到两个必需的输入：audio 和image。
- audio： 上传你刚刚下载的旁白文件。
- image： 上传你之前生成的数字人图像。
点击Run 后，数字人会对音频做出反应，并自动同步唇部动作和面部表情。
遮罩图像参数
接下来，让我们看看mask_image 参数。它允许你精确指定图像的哪些部分应该被动画化。
在Create Mask 页面上，准确定义可移动区域：调整Brush Size，在你想要动画化的区域上绘制，然后点击Use Mask 应用。
你也可以点击Download Mask 将mask_image 保存为模板，以便在未来的项目中快速重复使用。
其他自定义
如果你有其他需求——例如指定姿势、手势或凝视方向——在prompt 中添加更多具体指示。
为了便于复制，设置一个固定的seed 值。这确保随机性保持一致，这样你以后就可以重现相同的结果。
最后，点击Run，让我们期待最终结果！
恭喜！你已经拥有了自己的数字人！
准备好进阶到多人场景 了吗？WaveSpeedAI也为此提供了专门的模型。让我们一起来探索它们！
多人讲话生成
在WaveSpeedAI上，搜索wavespeed-ai/infinitetalk/multi。其步骤基本上与单人模型相同。
这次，添加两个音频文件，然后上传一个** 包含两个数字人的图像**，这样两个角色都可以说出他们的台词。
仔细注意音频和图像上位置的配对：
- left_audio → 图像中** 左边**的人
- right_audio → 图像中** 右边**的人
仔细检查映射；否则，声音可能会被链接到错误的角色。
讲话模式
在wavespeed-ai/infinitetalk/multi 模型中，它支持三种讲话模式：
- left_right（从左到右）
- right_left（从右到左）
- meanwhile（同时讲话）
同样，使用此模型，你可以通过prompt 添加想要的细节，并设置seed 以便轻松重现。
就这样，你就拥有了一个两人旁白秀！
其他模型
在WaveSpeedAI上，我们还为你提供了许多其他模型：
- wavespeed-ai/multitalk： 非常适合”歌曲风格的数字人”，可实现多部分人声和更富表现力的表演。
- wavespeed-ai/infinitetalk/video-to-video： 为现有视频添加旁白或叙述，使视觉和音频保持自然同步。
- wavespeed-ai/song-generation： 从零开始创建音乐，为你的内容设计自定义配乐和氛围。
这些模型也提供独特的体验，在其他平台上很难复制。大胆尝试——试试它们并分享你的作品！你可以在Inspiration 部分发布以与其他创作者联系和互动！
最后的想法
我们的世界在快速变化，人工智能日益影响着我们的日常生活。坚持老办法只会增加成本、减缓进度并冒着失去新机遇的风险。
现在是采用新技术并享受其便利和效率的完美时机。WaveSpeedAI为你的内容创作提供长期支持，拥有可靠的技术和不断增长的生态系统。
无论你的创意将你引向何处，WaveSpeedAI都将作为你可靠的基础和值得信赖的伙伴与你同在。
