5分鐘內建立AI主播：初學者數位人類建置指南

一份在 WaveSpeedAI 上建立數位人類的逐步教學。

---

前言

並非每個人生來就是天生的演說家，也不是每個人都樂於在眾人面前說話。

站起來說話可能會很緊張——但如果一個「虛擬的你」可以為你進行演講、直播或錄製你的宣傳讀白呢？你還會感到害怕嗎？

在 WaveSpeedAI 上，這已經不再只是個想法！你可以從零開始建立自己的數位人類，讓它用逼真的聲音和表情說出你的話語。

它不會怯場，永遠不會疲倦，你可以隨時隨地進行修改和重複使用。它是你工作和生活中可靠的夥伴。

在這個教學中，我們將逐步引導你從零開始建立一個簡單的數位人類。我們使用的模型只是開始——請盡情探索更多功能和風格，使你的數位人類獨一無二。

在 WaveSpeedAI 上，我們的模型生成清晰、穩定的視覺效果，邊界自然流暢，可以直接用於展示。它們非常適合正式的談話頭像片段、隨意的對話和產品講解。

---

圖像生成

一個英俊、可愛和自然逼真的數位人類能為觀眾提供更好的體驗。它也會為你的頻道吸引更多的關注和流量。

你也可以直接從個人照片建立一個。如果你已經有合適的照片準備好，可以跳過這個部分。

我將以 bytedance/seedream-v4 為例，幫助你創作一個獨特的虛擬化身。

在 WaveSpeedAI 上搜尋 bytedance/seedream-v4 —— 這是一個文本轉圖像模型。現在，讓我們輸入提示詞來創建你自己的數位人類：

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

你可以自訂性別、服裝和背景 等元素來滿足你的需求，創造出各種風格和氛圍，讓你的數位人類感覺更吸引人和符合品牌形象。

---

語音生成

現在你的數位人類已經準備好了，下一步是草擬清晰的旁白腳本，使其能「說話」自然。

在 WaveSpeedAI 上，進入 分類 > 文本轉音頻 來探索各種模型。我們提供自然旁白、語音複製甚至歌曲創作的模型。

在本章節中，我們將使用 minimax/speech-02-hd 作為示例。請隨時嘗試其他模型，探索不同的語音風格和效果。

在模型的 Playground 中，你會看到關鍵參數，如 text 和 voice_id。這些參數協同工作，形成你的數位人類的音調和音質，你可以調整它們以適應不同的場景。例如，我創建的數位人類是女性，所以我可以選擇第一個語音選項 Wise_Woman。

關鍵參數

速度

speed 控制你的數位人類說話的快慢。選擇適合場景的節奏——例如，產品介紹時放慢一點，隨意交談時加快。值為 1 表示正常速度。

音量

volume 設定音量大小。如果你的數位人類在講述睡前故事，你可以降低 speed 來放慢速度，並降低 volume 以實現更柔和的表達。值為 1 是預設音量。

音高

pitch 調整語音的音調。調整此參數可使語音聽起來更明亮清晰或更深沉飽滿。值為 0 是預設音高。

情感

emotion 控制你的數位人類的說話風格。選擇與場景相符的語氣——這裡，我們將選擇 happy。

英文正規化

english_normalization 選項啟用時，使英文中的數字和符號在語音中聽起來自然。不啟用時，系統可能會逐個讀出數字（例如，「123」讀作「one two three」），而不是「one hundred and twenty-three」。

樣本速率

sample_rate 決定音頻品質（解析度）。如果你在製作 ASMR 風格的內容，應該選擇更高的樣本速率以獲得更豐富的細節。對於本教學範例，這不是關鍵——保留預設值就完全可以了。

位元率

bitrate 決定你的音頻檔案的品質和大小。它代表每秒處理的位元數。較低的位元率會產生較小的檔案，但可能會損失細節；較高的位元率會產生較大的檔案，但聲音更清晰。

聲道

channel 參數決定生成的音頻聲道數。

• channel = 1（單聲道）： 所有聲音混合到單一聲道——適合電話語音、通話錄音或不需要空間寬度的對話內容。
• channel = 2（立體聲）： 聲音分為左右聲道，創造寬度和空間感，提供更沉浸和分層的體驗——適合音樂、電影、遊戲和需要更高聆聽品質的視頻旁白。

格式

format 允許你選擇輸出音頻檔案類型（我們在這裡跳過詳細說明）。

語言增強

language_boost 改善模型對你選定語言的理解。對於本教學，選擇 English。

生成音頻

接下來，貼上你的腳本並點擊 Run 來生成音頻！

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!

下載音頻檔案——這是讓你的數位人類稍後能夠說話的關鍵部分！

---

讓數位人類說話

最後，令人興奮的時刻到了：我們將讓你的數位人類真正地說話！

在 WaveSpeedAI 上搜尋 wavespeed-ai/infinitetalk——我們專為數位人類旁白設計的高品質模型。

在模型的 Playground 中，你會看到兩個必需的輸入：audio 和 image。

• audio：上傳你剛下載的旁白檔案。
• image：上傳你之前生成的數位人類圖像。

點擊 Run 後，數位人類將對音頻做出反應，並自動同步唇形和面部表情。

遮罩圖像參數

接下來，讓我們看看 mask_image 參數。它允許你指定圖像中的哪些部分應該被動畫化。

在 Create Mask 頁面上，準確定義可移動區域：調整 Brush Size，在你想動畫化的區域繪製，然後點擊 Use Mask 來應用。

你也可以點擊 Download Mask 來將 mask_image 儲存為範本，以便在未來的項目中快速重複使用。

額外自訂

如果你有額外的需求——例如指定姿勢、手勢或凝視方向——在 prompt 中添加更具體的指示。

為了方便重複，設定一個固定的 seed 值。這確保隨機性是一致的，所以你稍後可以重現相同的結果。

最後，點擊 Run，讓我們期待最終結果吧！

恭喜！你已經擁有自己的數位人類了！

準備好進階到多人場景 了嗎？WaveSpeedAI 也提供了專門的模型來實現這點。讓我們一起探索它們吧！

---

多人發言者生成

在 WaveSpeedAI 上，搜尋 wavespeed-ai/infinitetalk/multi。其步驟基本上與單人模型相同。

這次，添加兩個音頻檔案，然後上傳一個** 包含兩個數位人類的圖像**，以便兩個角色都能說出他們的台詞。

密切注意音頻和圖像上位置的配對：

• left_audio → 圖像中** 左邊**的人
• right_audio → 圖像中** 右邊**的人

仔細檢查映射；否則，聲音可能會被連接到錯誤的角色。

說話模式

在 wavespeed-ai/infinitetalk/multi 模型中，它支持三種說話模式：

• left_right（由左至右）
• right_left（由右至左）
• meanwhile（同時說話）

同樣地，使用此模型，你可以通過 prompt 添加你想要的細節，並設定 seed 以便於重複。

就這樣，你擁有了一個雙人旁白秀！

---

其他模型

在 WaveSpeedAI 上，我們還為你提供許多額外的模型：

• wavespeed-ai/multitalk：完美適合「歌曲風格的數位人類」，支持多部分聲樂和更富表現力的演出。
• wavespeed-ai/infinitetalk/video-to-video：為現有視頻添加旁白或敘述，使視覺效果和音頻自然地保持同步。
• wavespeed-ai/song-generation：從零開始創作音樂，為你的內容設計自訂配樂和氛圍。

這些模型也提供了在其他平台上難以複製的獨特體驗。大膽嘗試——試試它們並分享你的作品！你可以在 Inspiration 部分發布與其他創作者互動和交流！

---

最後的思考

我們的世界在快速變化，AI 正越來越多地影響我們的日常生活。堅守舊方法只會增加成本、減緩進度並冒著錯失新機會的風險。

現在正是採用新技術並享受其便利和效率的完美時機。WaveSpeedAI 以可靠的技術和不斷成長的生態系統為你的內容創作提供長期支持。

無論你的創意引領你走向何方，WaveSpeedAI 都將作為你可靠的基礎和信任的夥伴而存在。