数字人说话与对口型

数字人是一个嘴部随语音同步开合的角色。它需要两样东西：一张脸（一个人的图片或片段）和一段声音（一段音轨）。对口型把两者绑在一起，让角色看起来真的在说出那些话。

实现它的模型

在 PonPon 上，对口型运行在专为对话打造的 Kling 3.0 上。它专门的对口型能力会根据一段音轨驱动角色的嘴部，让一张静态人像或一段片段都能有说服力地念出一句台词。完整的实战示例参见对口型视频用例。

当你的代言人出现在多个镜头中时，用 Kling 3.0 多镜头叙事和多镜头角色一致性工作流，让这张脸在镜头之间保持一致。

声音从何而来

驱动嘴部的音频，可以来自 PonPon 里的任何地方：

• 文字转语音——输入一段脚本并生成一段语音。当你从头写台词时最合适。
• 配音译制——把一句现有的台词翻译成另一种语言，然后让脸对口型去匹配它。
• 一段上传——你自己录的声音。

工作原理

1. 在视频生成器里选择 Kling 3.0。
2. 提供角色——一张清晰的人像或一段短片。
3. 提供声音——生成的或上传的音频。
4. 生成。 模型会让嘴部（以及自然的细微动作）与语音相匹配。

一个实战示例

假设你想让一位代言人来介绍一款产品：

1. 在文字转语音里生成台词：*"认识一下全新的 Aero——更轻、更快，属于你。"*
2. 上传一张代言人干净、正面的人像（真人或 AI 生成的均可）。
3. 把两者都送进 Kling 3.0 对口型。

产出的就是那张脸念出这句台词的一段短片。用短句来生成脚本，你就能只重跑某一句不理想的台词，而不必重做整条。

源素材技巧

• 用一张正面、嘴部清晰可见的脸——侧脸和极端角度对口型效果很差。
• 让音频干净：单个说话者，背景噪音极少。
• 让念白的情绪与那张脸相匹配；一张平静的人像念一句激动的台词会显得别扭。
• 让台词短一些。几句利落的短句，比一整段长独白更可靠地对上口型。

对口型 vs 配音译制

两者是互补的：

• 配音译制改变音频的语言，但不动画面。
• 对口型改变画面里的嘴部，让它去匹配你给的任何音频。

要把一段口播视频本地化？先把音频配音译制成目标语言，再让脸对口型去贴合配好的音轨——成片看起来就像母语录制的一样。要从头到尾了解音频这一侧，参见配音与音频基础。