产品介绍已经录好了，讲解的人却没时间重新出镜。手里只有一张人物照片，能不能补上一段说话的画面？
照片生成数字人视频，可以采用“人物图片＋现成音频”的合成方式。 金福来数字人对应的公开视频合成API支持图片与音频输入，处理完成后返回视频结果。这里讨论的是固定视频制作，不是给照片接上实时问答。
不过，文件能上传，不代表成片就能直接使用。真正影响制作过程的，是素材是否合适、接口是否提交正确，以及最后有没有完整检查。
一、照片先选清楚的，不必先选最有氛围的
第一次测试，建议先用一张清晰的正面或轻微侧脸照片：画面只有一个人，嘴部没有被手、话筒或头发挡住，面部也不要过暗。
这是为了让系统更容易处理需要变化的面部区域。阿里云的照片数字人素材规范同样强调正脸、嘴部完整露出、人物不过小，以及避免多人和过暗画面。具体尺寸限制则应以实际使用的平台为准，不能照搬。
有些形象照很漂亮，但人物脸部只占画面很小一块。建议先换成面部细节更清楚的版本试片，再决定是否保留原来的构图。
先确认这张照片适合生成，再花时间设计背景和版式。
二、已有讲解录音，不必先绕到“声音克隆”
这两种需求要分开。
如果希望数字人把已经录好的这段话呈现出来，可以直接把录音作为合成素材。视频合成接口支持提交音频文件或音频地址，并不要求先创建克隆音色。
如果手里只有文案，就需要先获得语音。以金福来数字人对应的接口为例，使用 textContent 进行文字转语音时，需要同时提供已训练角色的 avatarId，系统读取该角色绑定的声音配置。不能默认“任意照片＋一段文字”就能按同样方式提交。
制作前建议先听完原始录音，核对产品名、数字和句尾。发现读错，先改录音再合成，不要等视频生成后才回头修改台词。
三、照片和录音怎么提交？每类素材只选一种来源
通过金福来数字人对应的视频合成API接入时，一次任务需要选择一个声音来源和一个人物来源。例如，上传人物照片配合上传录音，可以使用下面两个字段。
| 字段 | 放什么内容 | 需要注意什么 |
|---|---|---|
characterFile | 人物图片或视频文件 | 不要再同时填写其他人物来源 |
audioFile | 已准备好的讲解录音 | 不要同时提交音频地址和文字台词 |
title | 任务名称，可选 | 建议写清产品和内容版本，方便查找 |
请求使用 multipart/form-data，也就是以表单上传文件的方式提交。这里说的是API接入方法，不代表所有版本的管理后台都有完全相同的上传按钮。
如果使用 audioUrl，应提供服务端能直接读取的音频文件地址，而不是网盘分享页或需要登录的播放页面。官方快速入门文档建议外部音频优先使用MP3或WAV。
四、返回“成功”，为什么还没有视频？
因为视频合成采用异步任务：系统先接收任务，再处理素材。提交成功时返回的 taskId 是查询编号，不是已经生成好的视频。
接入程序需要根据这个编号继续查询状态。对应文档列出的状态包括 Processing、Published 和 Fail，分别表示处理中、完成和失败。完成后，应读取 resultUrl 获取最终合成结果；不要把素材字段误当成成片地址。
这里的 Published 是接口中的任务状态，不表示视频已经自动发布到WordPress或短视频账号。
因此，页面最好明确显示“正在生成”“生成完成”或失败原因。不要让用户只看到一个“提交成功”，然后不知道该等还是该重试。
五、成片别只看开头，结尾也要检查
建议先做一段包含产品名称、数字和自然停顿的短样片，不要第一轮就提交整套培训内容。
验收时可以分三遍看：
第一遍只听声音。 对照原录音，检查有没有缺字、重复或异常截断。
第二遍看人物。 观察嘴角、牙齿、下巴和面部轮廓，尤其留意说话较快的位置。
第三遍完整播放。 检查停顿处是否自然、声音和嘴型是否协调，最后一句有没有说完整。
这是建议的验收方法，不是已经完成的实测结果。保留原照片、原录音和对应任务编号，后续沟通问题时会更清楚。
金福来数字人视频制作，先从一段样片开始
金福来数字人的公开视频合成接口提供素材提交、任务查询和结果获取能力。企业可以先验证一组实际素材，再评估是否接入自己的内容制作流程。
准备制作产品讲解或企业口播视频时，可以通过官网“咨询试用”入口，说明人物素材来源及授权情况、录音语言、目标画幅和预计制作数量，进一步沟通素材要求与接口接入范围。
照片生成数字人视频，不是把两个文件交上去就结束了。对企业来说，更实用的顺序是：先确认声音和照片，再生成短样片，检查通过后继续制作。 这样更容易在小范围内发现问题，而不是等整批视频做完再返工。
