正在检测创作引擎
JUNZI XIAOYA · DIGITAL HUMAN 3.0

模块

这个模块已进入产品规划，当前版本先专注打磨数字人口播的核心创作链路。

MY WORKS

我的作品

查看、重试你的数字人与语音创作。

MY PORTRAITS

我的形象

保存上传的形象照片，点击即可在创作台复用。

MY VOICES

我的声音

保存上传的克隆样本（参考音频），点击即可在创作台复用。

DIGITAL HUMAN 3.0

让表达，自然发生

一张照片，一段声音，生成语音与动作同步的高品质数字人口播。

∞数字人创作引擎
01

输入文案

用已克隆的声音生成自然口播音频

上传形象照片支持 JPG、PNG、WEBP，建议半身正面照
上传驱动音频支持 MP3、WAV、FLAC，单文件不超过 30MB
0 / 2000
预计时长约 8 秒
0 / 500
留空则使用工作流默认画面
声音库加载中…
上传克隆样本（参考音频）清晰人声 5–15 秒，MP3 / WAV，用于克隆音色
02

设置声音

调整情绪强度，塑造口播语气

喜
怒
哀
惧
厌恶
低落
惊喜
平静

每个数字代表对应情绪的强度，最高为【1】。

应用介绍 & 输入建议

顺序为【喜】【怒】【哀】【惧】【厌恶】【低落】【惊喜】【平静】，默认 [0, 0, 0, 0, 0, 0, 0, 0]。

数值越大，该情绪在合成语调中的权重越高；全部为 0 时按工作流默认情绪生成。

抖动强度
缩放大小

推荐使用：强度 0.3、缩放 1.05。

应用介绍 & 输入建议

本工作流在 1280 分辨率下，运行时长基本等于音频时长，所以最好不要超过 50s，时间过长容易超过平台 60 分钟的生成限制导致报错。1280 需开启 Plus 大显存模式，否则易 OOM 失败。

0310-更新自定义镜头抖动（默认不使用，若要使用，推荐数值为“强度0.3”、“缩放1.05”）。

本次创作预计 8 积分音频克隆 · 预计1–3分钟

最近创作

每一次表达，都在积累你的数字资产

加载中…