会说话的照片：用一张人像生成唇形同步视频

真人出镜的口播视频是社交平台上使用最多的形式，通常需要摄像机、布景和重拍的余量。而会说话的照片只需要一张人像和一句你想说的话。

工作原理

1. 上传人像。 正对镜头、清晰，嘴部和下颌清楚可见。
2. 加入台词。 在描述场景的同一步中输入要说的内容。
3. 生成。 Rigel 会生成一段 5–30 秒的片段，唇形同步、面部表情和头部动作都会跟随语气。

输出以竖屏或方形格式保存到相册，可以直接发到 Reels、Shorts、TikTok 或 Stories，中间无需任何处理。

写出打动人的台词

• 为耳朵写，而不是为纸面写。 短句。口语化。一句话一个意思。
• 把钩子放在最前面。 社交平台的观众在前一秒半内就会做出决定，最有力的一句应该放在第一句。
• 控制在片段时长之内。 以自然语速，英文大约 15–70 个单词适合 5–30 秒的生成。塞得太多会让语速仓促，唇形同步也更容易出错。
• 在场景提示词中加入表演指示。 “平静、低能量、微微一笑、对着镜头说话”改变的是表演，而不只是台词。

什么样的源人像更好

影响质量的最大因素是照片。人脸在画面中足够大，面部光线均匀，嘴部没有遮挡，头部大致朝向镜头。侧脸、墨镜、手放在嘴边、下颌上的强烈阴影以及低分辨率裁切，都是口型效果差的常见原因。

如果你手上最好的素材是一张 Live Photo 而不是普通静态照片，请参阅Live Photo 转视频。从静态照片到片段的通用流程，见照片转视频页面。

用它来做什么

• 创作者内容——一次拍照，产出一周的口播内容，无需重拍。
• 角色旁白——为虚构角色赋予贯穿整部系列的声音。
• 产品与广告变体——用同一位出镜者测试五个不同的开场钩子，看哪个最能留住注意力。
• 讲解视频——配上人脸的简短口头解答，在社交平台上的表现一贯优于纯文字。

如需更长的作品，请生成多个说话场景，并按照AI 长视频中的方法拼接。

实实在在的局限

这一代模型的唇形同步已经很好，但并不完美。语速过快、口音浓重、角度极端以及非常短的元音，都会暴露问题。近景裁切下，牙齿周围的细节可能变得模糊。实用的解决办法和真实拍摄一样：挑更好的一条，缩短台词，拍一个更干净的画面——在这里就是换一张更干净的源照片。

还有一条与技术无关的原则：只上传你有权使用的面孔。一张从未同意说出那些话的人的说话照片，正是这个功能的滥用情形，任何提示词都无法让它变得可以接受。

开始使用

Rigel 在 iOS 16.6+ 和 Android 上可免费下载，并附赠新手积分，所以你的第一张会说话的照片不花一分钱。积分包和订阅可在应用内购买；每次生成在你确认前都会显示所需积分。