数字人生成#

功能#

1. 创建数字人形象：从描述或照片生成数字人
2. 声纹克隆（可选）：上传音频样本 → 克隆声纹
3. 生成口播视频：数字人 + 台词/音频 → 口播视频片段

语音来源选项#

方式说明推荐场景平台内置 TTS用平台预设声音快速测试上传音频提供录好的音频文件有现成配音平台声纹克隆上传样本 → 平台克隆推荐，全链路统一外部 TTS用 MiniMax 等生成后上传平台不支持克隆时

推荐：优先用平台自带的声纹克隆，保持后端一致性。

⚠️ 重要：后端一致性原则#

同一个数字人项目必须全程使用同一个后端！

• 可灵的 avatar_id 和即梦的不互通
• 即梦创建的形象，可灵用不了，反之亦然
• 选定后端后，从创建形象到生成口播都用同一个

支持的后端#

后端数字人口播声纹克隆特点Kling 可灵✓✓✓质量高，国产首选Jimeng 即梦✓✓✓快，中文口型好，剪映生态HeyGen✓✓✓模板丰富，出海/英文D-ID✓✓-简单快速Synthesia✓✓✓企业级，多语言

推荐：国内项目优先用可灵或即梦，二选一后全程使用。

工作流程#

流程 A：创建数字人#

text

输入: 形象描述 / 真人照片
  ↓
选择后端
  ↓
调用 API 生成
  ↓
输出: avatar_id + 预览图

流程 B：生成口播视频#

text

输入: avatar_id + 台词文本/音频
  ↓
调用后端口播 API
  ↓
等待渲染
  ↓
输出: 视频文件 URL

输入参数#

创建数字人#

参数必填说明mode✓createbackend-kling / jimeng / heygen / d-id / synthesiadescription△形象描述（二选一）photo△真人照片路径（二选一）style-realistic / cartoon / 3dgender-male / female

声纹克隆（可选）#

参数必填说明mode✓voice_clonebackend-kling / jimeng（需支持）audio_sample✓音频样本（10s-3min）name-声纹名称

输出： voice_id，后续生成口播时使用。

生成口播视频#

参数必填说明mode✓generatebackend-同上avatar_id✓数字人 IDtext△台词文本（三选一）audio△音频文件路径（三选一）voice_id△克隆声纹 ID + text（三选一）emotion-neutral / happy / seriousspeed-语速 0.5-2.0（默认1.0）

输出格式#

创建数字人#

yaml

avatar:
  id: "avatar_abc123"
  backend: jimeng
  preview_url: "https://..."
  style: realistic
  created_at: "2024-01-01T00:00:00Z"

生成口播视频#

yaml

video:
  id: "video_xyz789"
  avatar_id: "avatar_abc123"
  url: "https://..."
  duration: 15.5
  status: completed

后端配置#

在 openclaw.json 中配置（只需配置你选用的后端）：

Kling 可灵（推荐）#

json

{
  "kling": {
    "access_key": "your_access_key",
    "secret_key": "your_secret_key"
  }
}

Jimeng 即梦#

json

{
  "jimeng": {
    "api_key": "ak-xxxxxxxx"
  }
}

HeyGen#

json

{
  "heygen": {
    "api_key": "xxx"
  }
}

详见 references/backend-setup.md

使用示例#

从描述创建#

text

用户：帮我创建一个数字人，25岁左右的职业女性，干练短发

执行：
1. mode=create, description="25岁职业女性，干练短发", style=realistic
2. 调用 Jimeng API
3. 返回 avatar_id

从照片创建#

text

用户：用这张照片创建数字人 [附图]

执行：
1. mode=create, photo=<图片路径>
2. 调用 API 上传照片
3. 返回 avatar_id

生成口播#

text

用户：用 avatar_abc123 说这段话："大家好，今天教大家..."

执行：
1. mode=generate, avatar_id="avatar_abc123", text="大家好..."
2. 调用口播 API
3. 等待渲染完成
4. 返回视频 URL

与上下游对接#

上游： video-script-generator 输出的 narration 字段

下游： scene-video-generator / video-stitcher 消费口播视频

注意事项#

1. 真人照片需获得授权
2. 商用需确认后端的版权协议
3. 口播视频渲染可能需要 1-5 分钟
4. 建议缓存 avatar_id 避免重复创建