🧑💼 零成本做数字人口播：从底图到 4K 成片全流程
分类：视频 · 全流程实操
整理自 B 站 UP 主「AI辅导员小宇」《【真·零成本】8G显卡可用！手把手带你制作专属AI数字人！heygem 实操！》（BV17aumzuEmq）。本站做了要点提炼与改写。
先记住三个要素
- 底图（图生视频的素材）：决定最终效果的 90%，颜值担当。
- 口播文案：决定观众会不会看完。
- 声音：决定专业度。三者配齐，再配合对口型工具和画质修复工具，就能做出真假难辨的数字人。
第一步：搞定高质量人物底图
- 反推提示词。截图一张你喜欢的人物形象，上传给豆包，让它"生成一张一模一样的图"，关键是要它同时输出反推的 AI 生图提示词。
- 用提示词重新生成。拿到提示词后，用豆包的图片生成功能粘进去出图。
- 一个提额技巧：不要新开图片生成对话框，在当前对话里继续优化，这样不会被"单次 20 张"的限制卡住，可以一直生成到满意。
- 精修。先去水印（PS 里选中水印区域，右键自动填充一键搞定），再用 Flux Kontext 这类"一句话修图"工具调整姿态。
- 实战细节：调整手部动作时手不要举太高，小范围放在胸前，生成的视频更自然；记得开人物皮肤增强，肤质更真实。
- 按这套流程拿到正面 + 侧面两张图，并保持人物一致性；可以继续生成更多角度，攒成自己的数字人素材库。
第二步：图生视频
用即梦：首帧和尾帧都选刚做好的底图，时长选 10 秒，输入动作提示词生成。建议一次多生成几个不同动作，后期挑选余地大。晚上 10 点后速度更快、几乎不排队。
第三步：文案与配音
- 文案：先自己写个粗稿，丢给 AI 润色成口播稿，再手动微调——口语感必须人工过一遍。
- 配音（推荐免费路线）：剪映专业版 → AI 文案成片功能 → 输入文案 → 选音色 → 应用全部分镜，自动生成高质量语音。
- 关键动作：点"去剪映剪辑"，把语音和字幕都导到本地。这一步很多教程会漏掉，但它是后面所有环节的起点。
- 剪映还能"输入字幕直接生成语音"，改词不用重录。
第四步：对口型（核心环节）
两种方案：
- 剪映内置：效果好但贵，一分钟约 800 积分。
- HeyGem（免费开源，推荐）：分别导入视频文件和导出的 MP3，让它生成口型。每次处理不要超过 3 分钟，长视频分段跑更稳。
第五步：4K 画质修复
把对口型后的视频丢进 Topaz Video AI，选放大到 4K、开启人脸细节优化模式——它的算法专门针对面部优化，处理后细节明显更真实自然。
导出时一个容易翻车的细节
剪映里排好视频后要分两次导出：先关掉声音轨道导出 1080P 画面，再打开声音轨道导出 MP3 音频。而且导出的文件名不能包含中文，否则后面 HeyGem 读取会报错。
这套方案适合谁
- 找不到合适真人出镜的内容创作者
- 需要大量口播视频的账号主（日更不再是问题）
- 不想露脸的创作者
最后提醒一句：数字人解决的是"产能"，不是"内容"。观众留下是因为你说的话有价值，而不是因为你的数字人笑起来好看——文案还是得自己下功夫。