如何让照片跟着语音说话

以下是关于语音克隆的相关信息： 有一款适合小白用户的开源数字人工具，具有以下特点和功能： 特点：一键安装包，无需配置环境，简单易用。 功能：生成数字人视频，支持语音合成和声音克隆，操作界面中英文可选。 系统兼容：支持 Windows、Linux、macOS。 模型支持：MuseTalk（文本到语音）、CosyVoice（语音克隆）。 使用步骤：下载 8G + 3G 语音模型包，启动模型即可。 GitHub 链接： 官网链接： 另外，CosyVoice 声音克隆仅需几秒音频样本，无需额外训练数据，可控制情绪情感、语速、音高。 详细内容：https://xiaohu.ai/p/10954 项目地址：https://funaudiollm.github.io 在线演示：https://modelscope.cn/studios/iic/CosyVoice300M

GPTSoVITS 是一个用于声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点和使用步骤： 特点： 1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感，模仿出来的声音更接近原声且自然。 3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 6. 提供预训练模型：项目提供了一些已经训练好的模型，可直接下载使用。 使用步骤： 1. 前置数据获取处理： 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR。 2. GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo。 3. 声音复刻：开启声音复刻之旅，可实现跨多语种语言的声音。 相关资源： GitHub：https://github.com/RVCBoss/GPTSoVITS 视频教程：https://bilibili.com/video/BV12g4y1m7Uw/ 注册 colab 并启动准备：点击进入按照步骤注册即可 https://colab.research.google.com/scrollTo=Wf5KrEb6vrkR&uniqifier=2 ，新建笔记本，运行脚本启动 GPTSo VITS，整个过程比较漫长，需要耐心等待，可以整个脚本一起运行，也可以一段一段运行；运行过程包括克隆项目代码库、进入项目目录、安装 Python 依赖包、安装系统依赖、下载 NLTK 资源、启动 Web UI，运行成功后出现 public URL。 实践样本： AIyoyo 普通话 满江红 AIyoyo 粤语版 满江红

以下是关于文字转语音的相关内容： DubbingX2.0.3： 界面与国内版相同，使用了沉浸式翻译功能，可能看起来较乱。 第一个选项是文字转语音，与国内版相同，不做重复演示。 重点介绍第二项“创建您的语音克隆”： 上传语音（想克隆的声音原始文件）。 给声音命名，方便以后配音选择。 选择语言。 勾选相关选项，点击转变即可生成。 注意：原音频若有背景音乐，最好在剪影中去除，以使生成的音色模型效果更好、更纯净。 Hedra： 可以直接文字转语音，目前有 6 个语音。 也可以直接上传音频。

以下是关于语音转文字的相关信息： 推荐使用 OpenAI 的 wishper 进行语音转文字，相关链接：https://huggingface.co/openai/whisperlargev2 。一分钟搞定 23 分钟的音频，相关链接：https://huggingface.co/spaces/sanchitgandhi/whisperjax 。此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API 。 语音转文本（Speech to text）： 介绍：语音转文本 API 提供转录和翻译两个端点，基于开源大型v2 Whisper 模型。可用于将音频转录为任何语言，将音频翻译并转录成英语。目前文件上传限制为 25MB，支持 mp3、mp4、mpeg、mpga、m4a、wav 和 webm 等输入文件类型。 快速入门： 转录：转录 API 的输入是要转录的音频文件及所需输出格式的音频文字稿，默认响应类型为包含原始文本的 JSON，可添加更多带有相关选项的form 行设置其他参数。 翻译：翻译 API 输入任何支持语言的音频文件，必要时转录成英语，目前仅支持英语翻译。 更长输入：默认 Whisper API 仅支持小于 25MB 的文件，若音频文件更长，需分成小于 25MB 的块或使用压缩后格式，可使用 PyDub 开源 Python 软件包拆分声频文件，但 OpenAI 对其可用性或安全性不作保证。 提示：可使用提示提高 Whisper API 生成的转录质量，如改善特定单词或缩略语的识别、保留分段文件的上下文、避免标点符号的省略、保留填充词汇、处理不同书写风格等。

以下是为您整理的相关信息： 实时翻译视频语音的工具： StreamSpeech：这是一个实时语言翻译模型，能够实现流媒体语音输入的实时翻译，输出目标语音和文本，具有同步翻译、低延迟的特点，还能展示实时语音识别结果。 给视频配音效的 AI 工具： 支持 50 多种语言的配音，音质自然流畅，提供实时配音功能，适用于直播和演讲，能将语音转录为文本，方便后期字幕制作和编辑。 Vidnoz AI：支持 23 多种语言的配音，音质高保真，支持文本转语音和语音克隆功能，提供语音参数自定义和背景音乐添加工具，提供面向个人和企业的经济实惠的定价方案。 在选择视频配音工具时，请考虑支持的语言数量、语音质量、自定义选项和价格等因素。

以下是关于文本转语音的相关信息： 在线 TTS 工具推荐： Eleven Labs：https://elevenlabs.io/ ，是一款功能强大且多功能的 AI 语音软件，能高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 Speechify：https://speechify.com/ ，是一款人工智能驱动的文本转语音工具，可作为多种平台的应用使用，用于收听网页、文档、PDF 和有声读物。 Azure AI Speech Studio：https://speech.microsoft.com/portal ，提供了支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 Voicemaker：https://voicemaker.in/ ，可将文本转换为各种区域语言的语音，并允许创建自定义语音模型，易于使用，适合为视频制作画外音或帮助视障人士。 语音合成技术原理： 传统的语音合成技术一般会经过以下三个步骤： 1. 文本与韵律分析：先将文本分词，标明每个字的发音以及重音、停顿等韵律信息，然后提取文本的特征，生成特征向量。 2. 声学处理：通过声学模型将文本特征向量映射到声学特征向量。 3. 声音合成：使用声码器将声学特征向量通过反变换生成声音波形，然后一次拼接得到整个文本的合成语音。在反变换过程中，可以调整参数，从而改变合成语音的音色、语调、语速等。 OpenAI 新一代音频模型： OpenAI 于 2025 年 3 月 20 日推出了全新的音频模型，包括改进的语音转文本和文本转语音功能。 语音转文本模型在单词错误率和语言识别准确性方面相较于原有的 Whisper 模型有显著提升，能更好地捕捉语音细节，减少误识别，在多语言评估基准上表现优异。 文本转语音模型具备更高的可定制性，支持个性化语音风格，目前支持人工预设的语音样式，并通过监控确保语音与合成预设一致。 测试地址：https://www.openai.fm/ 直播回放：https://www.youtube.com/watch?v=lXb0L16ISAc 说明文档：https://openai.com/index/introducingournextgenerationaudiomodels/ 内容由 AI 大模型生成，请仔细甄别。

旧照片修复是 AI 绘画领域中的一项重要应用。以下是关于旧照片修复的一些相关信息： 以往解决旧照片修复问题往往需要搭建极为复杂的工作流，现在 GPT 4O 只需要一句话就可以实现。 图像放大修复是 AI 绘画领域必不可少的一部分，利用 AI 技术进行图像修复，可以让模糊的旧照片重现清晰，保留珍贵回忆。例如，以前手机拍摄的低分辨率图片，放到如今智能手机上观看会非常模糊，这时可用 AI 技术进行高清修复。 ComfyUI 结合特定工作流，只需十几个基础节点就能实现较好的老照片修复效果。 参数调节方面，一般先确认放大倍数，然后根据出来的图片调整 controlNet 的强度。 Flux.1dev ControlNet 是为低分辨率图像开发的模型，可直接与 diffusers 库一起使用，采用合成复杂数据退化方案进行训练，目的是让模型学会处理各种真实世界中可能遇到的图像退化情况。 Flux Ultimator 能增加小细节，增强色彩，在 0.1 的强度设置下也有显著效果，能顺利集成到工作流程中，与其他 LORA 结合使用时强度需小于 0.5。 若图片质量细节不够，可选择 T5 Clip 的 fp16 版本。

要改变照片中人物的表情，可以通过以下几种方式： 1. 在使用 SD 脸部修复插件 After Detailer 时，输入如“伤心、流泪”这样针对表情的正负提示词，人物的表情会进行相应改变。但输入“带着墨镜”可能没有效果。 2. 使用 Magic Brush 工具，选中人物的眉毛、眼睛、嘴唇等部位，通过调节轨迹的方向来实现合理的表情变化。 3. 在 Midjourney V6 中，若遇到无法改变角色脸部等问题，可按照以下步骤排除故障：首先确保写了强有力的提示以建议新的姿势、风格或细节；若角色抗拒被操纵，可能是 cref 图像支配了提示，可通过使用 cw进行处理，尝试将提示与较低的 cref 权重一起使用，如 cw 60，按照特定步骤操作，还可考虑使用 来恢复面部区域。

老照片修复是一个具有一定复杂性但通过 AI 技术可以实现较好效果的领域。以下是一些相关信息： 在解决老照片修复问题上，以往 AI 往往需要搭建极为复杂的工作流，而现在 GPT 4O 只需要一句话就可以实现。 对于老照片上色，可启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染功能，在显存不够的情况下将图片放大到足够倍数。 对于复杂的老照片，如人物多、场景复杂、像素低的情况，可在 PS 里进行角度调整和照片裁切，然后上色。若直接上色效果不佳，可放弃人物服装颜色指定，只给场景方向，让 AI 自行决定。还可加入第二个 controlnet 来控制颜色，使用 t2ia_color 模型，给出简单关键词如“蓝天、绿树、灰石砖”。 ComfyUI 老照片修复结合 Flux Controlnet Upscale 工作流，以前的工作流较复杂，现在只要十几个基础节点就能实现同样甚至更好的效果。一般先确认放大倍数，再根据图片调整 controlNet 的强度。Flux.1dev ControlNet 是为低分辨率图像开发的模型，可直接与 diffusers 库一起使用，采用特定训练方式处理各种真实世界中可能遇到的图像退化情况。Flux Ultimator 能增加小细节和放大色调丰富性、深度，在 0.1 强度设置下有显著增强效果，能顺利集成到工作流程中，与其他 LORA 结合使用时强度需小于 0.5。若图片质量细节不够，可选择 fp16 版本的 T5 Clip。

以下是使用 AI 将老照片变高清的步骤： 1. 给老照片上色：为做到颜色与内容统一，可启用 cutoff 插件，按顺序设置好颜色提示词。不了解该插件的可参考文章。 2. 使照片人脸变清晰：将照片放入后期处理，使用 GFPGAN 算法，可参考文章。但此步骤无法使头发、衣服等元素变清晰。 3. 放大照片：将图片发送到图生图中，打开 stableSR 脚本，放大两倍。此放大插件是所有插件中对原图还原最精准、重绘效果最好的，可参考文章。切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可不写以免干扰原图。 4. 显存不够时：启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染功能帮助放大图片。 5. 处理复杂照片：对于人物多、场景复杂、像素低的照片，可先在 ps 里调整角度和裁切，然后上色。若直接上色效果不佳，可放弃人物服装颜色指定，只给场景方向，让 AI 自行决定。还可加入第二个 controlnet 控制颜色，使用 t2ia_color 模型，给出简单关键词，如“蓝天、绿树、灰石砖”。最后进行脸部修复和放大。

以下是让老照片变清晰的方法： 1. 将照片放入后期处理中，使用 GFPGAN 算法使人脸变清晰。您可以参考文章。 2. 将图片发送到图生图中，打开 stableSR 脚本，放大两倍。此放大插件是所有插件中对原图还原最精准、重绘效果最好的。您可以参考文章。 3. 切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可以不写以免对原图产生干扰。 4. 启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染的功能，能在显存不够的情况下将图片放大到足够的倍数。 5. 对于复杂的照片，可先在 ps 里面进行角度调整和照片裁切，然后使用上述步骤进行上色。若直接上色效果不佳，可放弃人物服装的颜色指定，只给场景方向，让 AI 自行决定。还可加入第二个 controlnet 来控制颜色，使用 t2ia_color 的模型，给出简单的关键词，如“蓝天、绿树、灰石砖”。 另外，进行超清无损放大修复需要准备以下文件和操作： 1. 使用 StabilityAI 官方的 Stable Diffusion V2.1 512 EMA 模型，放入 stablediffusionwebui/models/StableDiffusion/文件夹中。 2. 将 StableSR 模块（约 400M 大小）放入 stablediffusionwebui/extensions/sdwebuistablesr/models/文件夹中。 3. 将 VQVAE（约 750MB 大小）放在 stablediffusionwebui/models/VAE 中。

老照片修复是一项具有一定复杂性的工作，但随着 AI 技术的发展，实现方式也在不断改进和优化。 以往，AI 在解决老照片修复问题时，往往需要搭建极为复杂的工作流。而现在，例如 GPT 4O 只需要一句话，就可以实现部分修复需求。 在具体的修复方法中，如使用 SD 进行老照片上色，可以启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染的功能，在显存不够的情况下将图片放大到足够的倍数。对于复杂的老照片，如人物多、场景复杂、像素低的情况，可以先在 ps 里面进行角度调整和照片裁切，然后进行上色。若直接上色效果不佳，可放弃人物服装的颜色指定，只给场景方向，让 AI 自行决定，还可加入第二个 controlnet 来控制颜色。 ComfyUI 老照片修复结合 Flux Controlnet Upscale 工作流，以前复杂的工作流现在只要十几个基础的节点就能实现同样的效果甚至更好。其中涉及参数的调节，一般先确认放大的倍数，然后根据出来的图片来调整 controlNet 的强度。Flux.1dev ControlNet 是为低分辨率图像开发的模型，可直接与 diffusers 库一起使用，采用合成复杂数据退化方案进行训练。Flux Ultimator 能增加小细节和放大色调的丰富性和深度，在 0.1 的强度设置下也能有显著增强效果，能顺利集成到工作流程中。若图片质量细节不够，T5 Clip 选择 fp16 的版本。

以下是一些能实现图片转视频说话且效果较好的软件： 1. HEYGEN： 优点：人物灵活，五官自然，视频生成很快。 缺点：中文的人声选择较少。 使用方法： 1. 点击网址注册后，进入数字人制作，选择Photo Avatar上传自己的照片。 2. 上传后效果如图所示，My Avatar处显示上传的照片。 3. 点开大图后，点击Create with AI Studio，进入数字人制作。 4. 写上视频文案并选择配音音色，也可以自行上传音频。 5. 最后点击Submit，就可以得到一段数字人视频。 2. DID： 优点：制作简单，人物灵活。 缺点：为了防止侵权，免费版下载后有水印。 使用方法： 1. 点击上面的网址，点击右上角的Create vedio。 2. 选择人物形象，可以点击ADD添加照片，或者使用DID给出的人物形象。 3. 配音时，可以选择提供文字选择音色，或者直接上传一段音频。 4. 最后，点击Generate vedio就可以生成一段视频。 5. 打开自己生成的视频，可以下载或者直接分享给朋友。 3. KreadoAI： 优点：免费（对于普通娱乐玩家很重要），功能齐全。 缺点：音色很AI。 使用方法： 1. 点击上面的网址，注册后获得120免费k币，这里选择“照片数字人口播”的功能。 2. 点击开始创作，选择自定义照片。 3. 配音时，可以选择提供文字选择音色，或者直接上传一段音频。 4. 打开绿幕按钮，点击背景，可以添加背景图。 5. 最后，点击生成视频。 4. Sadtalker： 由于涉及到视频的推理和转换，输出时间要远远大于AI绘图和sovits的声音推理，需要做好等待的准备。 最终生成的视频长度与音频一致，如果想制作一个长视频，最好是剪成小段，分别推理，然后合并。 使用方法： 1. 可以独立使用或者作为插件放入stablediffusion。 2. 视频教程：https://www.bilibili.com/video/BV1Dc411W7V6/?vd_source=35e62d366d8173e12669705f7aedd122 。 3. 对于编程、python、conda不熟的，建议使用整合包： 我用夸克网盘分享了「EZAIStarterv0.9.8.zip」，点击链接即可保存。链接：https://pan.quark.cn/s/1d5ca9f57f5c 。 视频地址：https://www.bilibili.com/video/BV1ga4y1u7Ep/?spm_id_from=333.337.searchcard.all.click&vd_source=35e62d366d8173e12669705f7aedd122 。 4. 具体步骤： 点我启动，在启动界面中，选择音频、图像口型同步的下载图标。 下载完毕后。 启动应用，等待。 会弹出一个独立的窗口（而不是默认浏览器）。 选择sadtalker同步器，分别导入图片和声音。 图片预处理方式中，crop只截取图片的头部，full就是保留整张照片，下面的勾选项已经有文字解释，自己可以试几次。 点击generate 。

以下是一些说话生成文字的 AI 软件推荐： Eleven Labs：https://elevenlabs.io/ ，是一款功能强大且多功能的 AI 语音软件，使创作者和出版商能够生成逼真、高品质的音频。人工智能模型能够高保真地呈现人类语调和语调变化，并能够根据上下文调整表达方式。 Speechify：https://speechify.com/ ，是一款人工智能驱动的文本转语音工具，使用户能够将文本转换为音频文件。它可作为 Chrome 扩展、Mac 应用程序、iOS 和 Android 应用程序使用，可用于收听网页、文档、PDF 和有声读物。 Azure AI Speech Studio：https://speech.microsoft.com/portal ，Microsoft Azure Speech Studio 是一套服务，它赋予应用程序能力，让它们能够“听懂、理解并与客户进行对话”。该服务提供了支持 100 多种语言和方言的语音转文本和文本转语音功能。此外，它还提供了自定义的语音模型，这些模型能够适应特定领域的术语、背景噪声以及不同的口音。 Voicemaker：https://voicemaker.in/ ，AI 工具可将文本转换为各种区域语言的语音，并允许您创建自定义语音模型。Voicemaker 易于使用，非常适合为视频制作画外音或帮助视障人士。 以下是一些文字生成视频的 AI 产品： Pika：擅长动画制作，并支持视频编辑。 SVD：如果熟悉 Stable Diffusion，可以直接安装这款最新的插件，在图片基础上直接生成视频。这是由 Stability AI 开源的 video model。 Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但需要收费。 Kaiber：视频转视频 AI，能够将原视频转换成各种风格的视频。 Sora：由 OpenAI 开发，可以生成长达 1 分钟以上的视频。 以下是一些人工智能音频初创公司： ：为所有人提供开放的语音技术。 ：基于 AI 的语音引擎能够模仿人类语音的情感和韵律。 ：基于 NLP 的最先进文本和音频编辑平台，内置数百种 AI 声音。 ：使用突触技术和脑机接口将想象的声音转化为合成 MIDI 乐器的脑控仪器。 ：为出版商和创作者开发最具吸引力的 AI 语音软件。 ：Wondercraft 使用户能够使用文本转语音技术生成播客。 ：基于生成机器学习模型构建内容创作的未来。 ：从网页仪表板或 VST 插件生成录音室质量的 AI 声音并训练 AI 语音模型。 ：演员优先、数字双重声音由最新的 AI 技术驱动，确保它们高效、真实和符合伦理。 请注意，以上内容由 AI 大模型生成，请仔细甄别。更多相关工具和信息可以查看：https://www.waytoagi.com/sites/category/50 、https://www.waytoagi.com/category/38 。

以下是一些可以改变视频人物说话内容的模型及相关信息： 解梦新出的 p 模型支持人物多动作和变焦，易改变画风；s 模型生成速度快、积分消耗少，能保持原始画风但语义理解有限。 吉梦的对口型技术支持文本朗诵和本地配音，能根据输入生成人物开口讲话的视频，但有上传人物长相等限制。 Runway 的 GN3 模型支持上传视频并转换风格，可用于实现多元宇宙等风格穿梭的片子，也能将简单场景转换为难以拍摄的场景。 在角色生视频方面： 角色生视频突破关键帧限制，不再依赖关键帧输入，而是直接传入角色本身，可更灵活生成视频。 支持多角色参考生成创意视频，可上传多张图，最多三张，将人物、衣服、背景等元素融合生成视频。 不同工具的角色生视频效果有所不同，如 Runway 的 x one 在身体、头部、眼神动态上表现更好。 角色生视频的应用场景包括规避机器人念台词的尴尬瞬间，让机器人有更丰富的表情和神态。未来视频生成将摆脱纯关键帧方式，采用多模态信息输入，如定义角色和场景的三视图等。 此外，谷歌 Gemini 模型在处理视频相关问题时，可通过修改提示来改变模型的行为。

训练 AI 数字人说话的语气和语调可以从以下几个方面入手： 1. AI Agent：要让数字人像人一样思考，需要编写一个类似人的 Agent，工程实现所需的记忆模块、工作流模块、各种工具调用模块的构建具有挑战性。 2. 驱动躯壳的实现：灵魂部分通过定义接口由躯壳部分通过 API 调用，调用方式有 HTTP、webSocket 等。但包含情绪的语音表达以及保证躯壳的口型、表情、动作和语音的同步及匹配方面，目前主流方案只能做到预设一些表情动作，再做一些逻辑判断来播放预设，语音驱动口型相对成熟但多为闭源，效果可参考 Nvidia 的 Audio2Face 或 Live Link Face + Face AR Sample。 3. 实时性：由于数字人的算法部分组成庞大，几乎不能单机部署，算法一般部署到额外的集群或调用提供的 API，会涉及网络耗时和模型推理耗时，低延时是亟需解决的问题。 4. 多元跨模态：不仅要有语音交互，还可根据实际需求添加其他感官交互，如通过添加摄像头数据获取视觉信息，再通过 CV 算法做图像解析。 5. 拟人化场景：正常与人交流并非线性对话，插话、转移话题等情景需通过工程进行丝滑处理。 此外，对于数字人说话相关的算法开源代码有很多，如 ASR 语音识别方面有 openai 的 whisper、wenet、speech_recognition 等；AI Agent 方面大模型有 ChatGPT、Claude、ChatGLM 等，Agent 部分可使用 LangChain 的模块自定义；TTS 方面有微软的 edgetts、VITS、sovitssvc 等。 如果都要自建代码实现各模块，开发工作量巨大，迭代难度高，个人开发者可借助开源社区的力量，如 dify、fastgpt 等成熟的高质量 AI 编排框架，通过这些框架快速编排出自己的 AI Agent。在开源项目中，使用 dify 框架可利用其编排和可视化交互任意修改流程，构造不同的 AI Agent，实现相对复杂的功能。同时，Dify 的 API 暴露了 audiototext 和 texttoaudio 两个接口，基于此可将数字人的语音识别和语音生成都交由 Dify 控制。使用 Dify 接口时需注意必须在应用编排功能中打开文字转语音和语音转文字功能，且只有接入了支持 TTS 和 SPEECH2TEXT 的模型供应商，才会在功能板块中展示出来。

很抱歉，目前没有关于“ViiTorai”这个集合视频翻译、音色克隆和照片说话功能为一体的平台的相关信息。

以下是一些可以实现您需求的 AI 工具和方法： 1. 剪映 App： 生成数字人：在剪映右侧窗口顶部打开“数字人”选项，选取免费且适合的数字人形象，如“婉婉青春”。软件会播放数字人的声音，可判断是否需要，点击右下角“添加数字人”将其添加到视频中，左下角会提示渲染完成，可点击预览查看效果。 增加背景图片：删除先前导入的文本内容，点击左上角“媒体”菜单并点击“导入”按钮选择本地图片上传，将图片添加到视频轨道上，通过拖动轨道右侧竖线使其与视频对齐，选中轨道后可调整图片大小和数字人位置。 2. TecCreative 工具： 数字人口播配音：输入口播文案，选择期望生成的数字人形象及目标语言，即可生成数字人口播视频。 图片换脸：上传原始图片和换脸图片，一键实现素材换脸。 视频换脸：上传原始视频和换脸图片，自动识别并替换人脸。 音频合成数字人：上传音频文件，选择数字人角色和输出类型，生成数字人视频。 AI 配音：输入需配音文案，选择音色，立即生成。 AI 字幕：点击上传视频，开始生成，字幕解析完成后可下载 SRT 字幕。 在使用这些工具时，请注意相关的格式和文件大小限制，如图片大小上限 5M，支持 JPG、PNG 格式；音频文件支持 MP3 和 WAV 格式，文件大小上限 5M；视频支持 MP4 文件类型，大小上限为 50M。