不拍视频做口播：数字人怎么选、怎么调、怎么建（附实测对比）

最近开源了 AI网感剪辑仓库 SeeCut，相关帖子和文章给我涨了700粉。

然而，评论区问得最多的，不是剪辑，是数字人。

我这周把市面上能找到的数字人方案试了一圈：海外的、国内的、对口型的、照片驱动的，甚至让 Opus 5.5 写代码自己画了一个。

一共 14 个。6 个一眼淘汰，剩下 8 个放进了同一个八宫格，用同一段配音对比：

Leaf Yeah!@leaf_sanren

X 引用

原文嵌入的 X 内容

啊啊啊啊😮😮！我把市面上的数字人方案都试了一遍！ 结论伤人！！😭😭 我之前开源仓库里建议用 HeyGen AV5，但确实不便宜（每分钟约 7.2 刀）。 so我把市面上的方案挨个测了一遍！！（视频是其中 8 个） 统一条件：heygen之外的数字人，同一张脸、同一段配音，就看肢体/五官自然度和口型匹配等。 结论很扎心： ✅ 能过线的，只有 HeyGen AV5 🟡 Seedan…

去 X 看原文 →

结论先放这：同价位里，HeyGen Avatar 5 是最好的（后面简称AV5）

我真不是给 HeyGen 打广告，但目前确实没找到比它更好的。

小目录

1. 8 个方案横评：贵的不一定好，便宜的基本不能用
2. 灵动数字人生成的 4 个细节
3. 不花钱订阅，用上 AV5，但有 4 个坑

1. 8 个方案横评：贵的不一定好，便宜的基本不能用

先说怎么测的：同一段 18 秒的配音（豆包刘飞），同一个人的照片和视频，我一个个看、一个个听。

结论就三句话：

• AV5：唯一过线。 嘴型和声音刚好对到「看着自然」的底线，身体会跟着晃。每分钟约 7.2 美元，在这一档里性价比最高。
• AV4：能用，但只能当小窗。 一张照片就能驱动，每分钟约 2.3 美元，便宜。放在画面角落当小头像完全够用；一放大，脸上的细节就撑不住了。（八宫格里 AV4 那格是 8 月做的旧样片，文案不一样，所以静音了。）
• 其它：要么太贵，要么口型不过关。
• SD2.5 / SD2.0：效果还行，但每分钟 16 到 18 美元，是 AV5 的两倍多。
• 蝉镜：很便宜，每分钟不到 5 块钱，肢体也自然，可口型还是对不上。
• Sync-2 Pro 这类「对口型」工具：嘴永远慢半拍。我把声音往后挪了 0 到 360 毫秒四档去对，都对不齐，是模型本身的问题。
• AV3：只有嘴在动，头和身子都不动，还带水印。
• 代码数字人：Opus 5.5 写代码画的，嘴型、点头、晃动都有，但一看就是动画。挺搞笑的，算一种风格，不算真人。

另外 6 个（可灵、阿里 EMO、飞影、LatentSync 等），第一轮就淘汰了。

2. 好看比像你更重要：让数字人「活」起来的 4 个细节

① 参考图别追求像，要追求好看

这是我踩坑踩出来最反直觉的一条！！！

用照片做数字人，一定会有一层折损：照片越逼真、越像你，动起来反而越容易走形，五官会慢慢往一张「通用脸」上漂。

所以别追求像。像不像不重要，好看才重要。

参考图挑这样的：写实、少美颜、正脸、光线均匀、画质清晰。好看的底子留足了余量，折损完还能看。

② 口型：不能慢，也不能快

一个数字人假不假，观众第一眼看的就是嘴。

嘴慢半拍、快半拍，哪怕只差一点点，人一眼就觉得不对劲，只是说不出哪里不对。

这也是为什么上面那一堆「对口型」工具全军覆没。

③ 肢体：光嘴动，就是假人

口型对上了还不够。

真人说话，头会点、肩会晃、手会比划。只有嘴在动、脖子以下一动不动，就是 AV3 那种「会说话的照片」。

还有一个细节：照片里要有手。 照片里没手，模型就不知道手在哪，上半身怎么都动不起来。

④ 提示词救不了模型

AV4 可以写动作提示词，比如「双手比划、上半身自然晃动」。我试过写到最猛，还是偏僵。

一张照片能给模型的信息就那么多，提示词写出花也没用。

AV5 不一样，它是从你的真人视频里学动作的。这就是它贵、也是它好的地方。

3. 手把手建一个 AV5：不用订阅，但有 4 个坑

整个流程分两段：网页上建形象（只能你自己来），再让 AI 调接口出片。调接口的脚本放在 SeeCut 仓库的 digital-human/ 里了。

第 1 步：官网建数字分身，不用订阅

去 HeyGen 官网：Avatars → Clone a Real Person。

不需要每月 29 美元的会员，免费账号就能建一个 AV5 形象。

⚠️ 坑一：得先把账号里之前建的形象全部删干净，才能免费建；而且一个月只能建一个，别反复删了重建。

第 2 步：上传真人视频 + 现场录授权

这一步 AI 替不了你。

上传一段你自己的说话视频。我用的是 45 秒、竖版、正对镜头连续说话、光线均匀的一段。

【必须】再用电脑摄像头现场录一段授权（Chrome授权现录即可），证明是你本人同意用你自己的这张脸。

⚠️ 坑二：手和麦克风别挡嘴。 我第一版训练视频拿着手持麦，麦在下巴边上，生成出来嘴那块直接穿帮。

第 3 步：拿到 Look ID，交给 AI

训练完成后，你会得到一个形象（Look）。把它的 ID 给你的 agent，让它去调接口。

配音我不用 HeyGen 自带的音色，偏假。

我用豆包语音合成好配音，再上传给 HeyGen 驱动嘴型。

第 4 步：调用时锁死 AV5

⚠️ 坑三：调用时一定要写明用 AV5 引擎（avatar_v）。不写，它会默认给你走 AV4，花了建 AV5 的功夫，出来的却是 AV4 的效果。

⚠️ 坑四：两个出片时才会发现的坑。

竖屏：接口目前不接受竖屏参数，默认出横屏 1280×720，你的竖版人像缩在中间，两边是灰边。要本地裁回竖屏（仓库脚本已经自动处理）。

余额：钱包余额不够，HeyGen 不会拒单，照样收任务、照样扣钱，而且任务取消不了。我因此白花了约 2 美元。提交前先查余额，一次只交一个任务。

价格参考：API 走按量钱包，一条 18 秒的 AV5 大约 2 美元。

数字人的问题，说到底就三件事：选对模型，喂好看的图，让它动起来。

试了一圈，贵的不一定好，便宜的基本不能用，最后还是回到了 AV5。

数字人出好了，下一步就是扔进 SeeCut 做网感精剪。

后面我看，要不把这些经验，都打包更新进仓库里！

觉得有用，给个 star。github.com/YeJe-cpu/SeeCut

欢迎issues和PR！我希望这是一个可以长期迭代的项目！

下一篇

如果大家感兴趣，我可以细讲讲，

怎么把 AI 剪好的片子推进剪映里微调

（可以评论区告诉我，不确定是否是大家关心的部分）