# 数字人创作完整指南

> 更新于 2026-10-29 · 适用于 KiiKii 数字人功能  
> HTML 版本：https://ai.kiikii.vip/doc/digital-human

## 快速答案

- 数字人支持五种模式：常规模式、一镜到底、音乐 MV、电商带货、探店宣传。
- 常规模式 30–150 秒；一镜到底 20–60 秒；音乐 MV 跟随歌曲；电商带货与探店宣传 20–80 秒。
- 克隆形象上传 1–3 张正面清晰人像；设计形象用文字与预设生成全新 IP。
- 音色克隆需要 10–60 秒清晰人声，支持 wav / mp3 / m4a，文件不超过 10MB。
- 完整流程：选形象与声音 → 描述需求 → 确认分镜 → 生成 → 预览下载。

## 1. 认识数字人

数字人把形象、声音、脚本与镜头编排串成一条完整生产线。你只需要选好形象与声音，描述视频要讲什么，AI 会规划分镜、生成配音与画面，最后自动拼成一条可下载的成片。

主要能力：口播与讲解、多分镜成片、音乐 MV、电商带货、探店与本地宣传、专属数字分身。

![数字人首页](https://ai.kiikii.vip/doc-assets/digital-human/01-home-studio.webp)

## 2. 适合哪些行业与人群

行业场景：知识科普与教育培训、电商零售与品牌营销、本地生活与探店、医疗健康与金融服务、企业与政务宣传、自媒体与 MCN。

典型人群：不想出镜的创始人或负责人、讲师与知识博主、电商运营与主播团队、门店老板与探店达人、市场与品牌团队、跨境与多语种团队。

选择前先问三个问题：

1. 要不要像本人？要保留真实五官，选「克隆形象」；要做品牌 IP，选「设计形象」。
2. 是一条还是多条？单条口播用「一镜到底」；多个场景与信息层次用「常规模式」。
3. 有没有现成素材？有歌做 MV；有商品图做带货；有门店场景图做探店。

## 3. 五种创作模式

| 模式 | 目标时长 | 自动时长 | 单段结构与上限 |
| --- | --- | --- | --- |
| 常规模式 | 30 / 60 / 90 / 120 / 150 秒 | 约 20–55 秒 | 数字人 5–15 秒；长镜头 10–40 秒；Web 动画 8–60 秒；图文 4–8 秒；最多 24 段 |
| 一镜到底 | 20 / 40 / 60 秒 | 约 8–28 秒 | 5–15 秒/段；超过 15 秒自动拆为 2–3 段连续生成 |
| 音乐 MV | 跟随歌曲长度 | 不需要设置 | 唱歌 5–15 秒；长镜头 5–20 秒；空镜 5–15 秒；最多 60 段 |
| 电商带货 | 20 / 40 / 60 / 80 秒 | 约 20–55 秒 | 数字人口播与商品展示为主，按 5–15 秒分镜组织 |
| 探店宣传 | 20 / 40 / 60 / 80 秒 | 约 20–55 秒 | 人物动线与场景介绍为主，按 5–15 秒分镜组织 |

### 3.1 常规模式

适合科普、讲解、产品介绍等需要多个镜头讲清楚一件事的内容。AI 会规划钩子、铺垫、观点、演示、佐证、卖点、行动等分镜，并混排数字人、数字人长镜头、文生视频、图生视频、Web 动画与图文动效。

- 数字人分镜：5–15 秒/段，负责出镜口播与观点表达。
- 数字人长镜头：10–40 秒/段，适合完整章节讲述；单条视频最多 3 段。
- 文生视频分镜：5–15 秒/段，无人物空镜或实拍感画面，用于开篇氛围、场景过渡与产品特写。
- 图生视频分镜：5–15 秒/段，以参考图为首帧生成动态镜头，适合门店、商品与场景照片。
- Web 动画：8–60 秒/段，用于数据、步骤、对比、金句等信息可视化。
- 图文动效：4–8 秒/段，用图片轮播承载氛围或案例。

默认方案通常以数字人口播为主，信息展示优先用 Web 动画或图文动效；需要实拍感画面时，可以让 AI 规划文生视频 / 图生视频分镜，也可以先生成方案再要求替换某一段。

### 3.2 一镜到底

生成整段连贯完整的视频，观感像一次连续拍摄，适合单人口播与观点表达。人物、场景、语气保持一致；自动时长超过 15 秒时，AI 会拆成 2–3 段连续生成后拼接。

适合：单条口播、观点输出、Vlog 式讲解、活动致辞。不适合大量图表、商品特写或多场景切换。

### 3.3 音乐 MV

上传歌曲音频，一键生成完整音乐 MV 片段。总时长由歌曲决定，不需要设置目标时长。AI 会按歌词与段落编排唱歌镜头、空镜意境与长镜头特写；第二形象可用于对唱、合唱或第二角色。

- 唱歌镜头：5–15 秒/段，人物开口演唱。
- 长镜头特写：5–20 秒/段，全曲最多 3 段。
- 空镜意境：5–15 秒/段，承担转场、情绪与画面呼吸。
- 歌词按时间轴展示，不烧录进画面。

### 3.4 电商带货

围绕「痛点—卖点—优惠—行动」组织内容，镜头以数字人口播和商品展示为主。上传商品图时可标注正面、侧面、背面，场景图用于补充使用场景或直播间氛围。

推荐结构：3 秒钩子 → 核心卖点 → 使用场景 → 价格优惠 → 引导下单。需求中用 @图1、@图2 指定场景与商品，减少歧义。投放抖音或视频号优先 9:16；详情页横版可切 16:9。

### 3.5 探店宣传

以「人物走进场景」为主线。建议按门头 → 环境 → 招牌产品/服务 → 价格或地址的顺序上传 3 张场景图，再用 @图1、@图2、@图3 描述动线。

推荐结构：门头钩子 → 环境氛围 → 招牌体验 → 价格/地址/团购引导。本地生活平台优先 9:16。

## 4. 支持的时长与生成参数

- 画幅：9:16 竖屏适合抖音、视频号、小红书；16:9 横屏适合官网、课程、发布会。默认 9:16。
- 清晰度：480p 快速预览；720p 日常首选；1080p 用于大屏或正式交付。
- 烧录字幕：开启后字幕写进画面；MV 的歌词始终按时间轴展示，不烧录。
- 服饰一致性：开启后数字人穿着与形象图完全一致；关闭后 AI 会按场景自由设计服饰，但人脸保持一致。

![生成参数](https://ai.kiikii.vip/doc-assets/digital-human/06-params.webp)

自动时长由 AI 按需求信息量判断；成片会因分镜吸收、配音长度与拼接产生少量偏差，这是正常现象。

## 5. 克隆形象与设计形象

### 克隆形象

上传 1–3 张正面清晰人像，填写性别、年龄、身高、体重，生成 16:9 四视图设定稿（正面 / 侧面 / 背面 / 面部特写）。表情、发型、服装、姿态可调，但面部始终以参考人像为准。

- 适合创始人、讲师、主播、顾问等需要「像本人」的场景。
- 通常 1–3 分钟完成，提交后可离开页面。
- 完成后自动加入「我的形象」。

原图与克隆结果对比（同一账号「小林」）：

- 原始上传照片：https://ai.kiikii.vip/doc-assets/digital-human/clone-original.webp
- 克隆后四视图：https://ai.kiikii.vip/doc-assets/digital-human/clone-result.webp

![原始上传照片](https://ai.kiikii.vip/doc-assets/digital-human/clone-original.webp)
![克隆后四视图](https://ai.kiikii.vip/doc-assets/digital-human/clone-result.webp)

### 设计形象

不依赖真人照片，通过性别、国籍气质、面部、表情、发型、服装、姿态等选项，加上年龄、身高、体重，生成全新数字人形象。也可上传服装或发型参考图。

- 适合品牌 IP、虚拟主播、匿名口播、系列化角色。
- 必填性别、国籍气质、年龄、身高、体重。
- 可选服装参考 1 张、发型参考 1 张、高级描述。

![克隆形象](https://ai.kiikii.vip/doc-assets/digital-human/11-clone-avatar.webp)

## 6. 系统音色与音色克隆

系统音色内置数百个音色，可按性别、年龄、语言与适用场景筛选。每个音色都可试听，常用音色可收藏，创作时一键选用。语言支持中文、英文与中英混合。

音色克隆上传或现场录制 10–60 秒清晰人声样本，生成专属音色。复刻完成后可以做 A/B 对比：A 是原始样本，B 是复刻音色朗读同一段文案。

- 样本要求：wav / mp3 / m4a，≤10MB；安静环境、语速自然、单人说话。
- 数量上限：每个用户最多 10 个克隆音色。
- 可用范围：数字人配音、短剧配音与音乐功能。

原声与克隆音色试听对比（同一账号 `wen3`，两段内容不完全相同，重点对比音色、音高、语速与停顿）：

- 原声样本：https://ai.kiikii.vip/doc-assets/digital-human/voice-original.wav
- 克隆音色：https://ai.kiikii.vip/doc-assets/digital-human/voice-cloned.wav

![音色克隆](https://ai.kiikii.vip/doc-assets/digital-human/13-clone-voice.webp)

## 7. 从需求到成片

需求写清五件事：

1. 主题与受众：这条视频讲什么、给谁看。
2. 结构与要点：开场钩子、3 个核心要点、结尾引导。
3. 时长与画幅：投放平台决定 9:16 / 16:9；信息量决定 30 秒还是 90 秒。
4. 画面与素材：需要指定场景时上传图片，用 @图1 引用。
5. 行动引导：关注、点赞、下单、到店、私信。

提交需求后，AI 会先进入「规划中」，生成分镜脚本与台词，状态变为「待确认方案」。确认后开始生成；任务在后台执行，可以离开页面。单段失败可只重试该段；整体不满意可重新生成成片。

### 对话改稿：分镜类型可以随时换

常规模式默认以数字人口播为主，信息展示多用 Web 动画与图文动效。需要实拍感画面时，不必重新规划整条视频，在对话框说清「第几段 + 改成什么」即可：

- 「把场景 2 改成文生视频分镜，画面是雨后菊花特写」——无人物空镜，适合氛围、转场与产品特写。
- 「场景 3 改成图生视频，用 @图1 作为首帧」——让参考图动起来，适合门店、商品与场景照片。
- 「场景 4 改成数字人长镜头，讲完整这段观点」——10–40 秒连续口播。
- 「场景 5 改成 Web 动画，用时间轴讲三个步骤」——数据、步骤、对比类信息。

AI 会先给出改稿建议卡，确认后只重新生成受影响的分镜，其他段保持不动。单次最多修改 3 段；台词、画面、运镜、时长与字幕行的修改都走同一套改稿流程。类型切换后按新类型的时长边界重算：数字人 / 文生视频 / 图生视频 5–15 秒，Web 动画 8–60 秒，图文动效 4–8 秒，长镜头 10–40 秒。

### 成片后的精细调整

- 只改字幕样式或文字：会重新烧录字幕，不重做画面。
- 只重新拼接成片：分段与叠加层保留，适合修复合成异常。
- 只改配音语气：重生成全部配音，不重新出画面。
- 只改背景音乐：只重新生成音乐，分镜不变。
- 形象、音色、画幅与清晰度属于项目设置，需要到工作台右侧面板调整；对话中不能替换素材，需先上传再重新规划。

## 8. 成片演示

- [常规模式 · 30 秒竖屏](https://ai.kiikii.vip/doc-assets/digital-human/demo-regular.mp4)
- [电商带货 · 26 秒竖屏](https://ai.kiikii.vip/doc-assets/digital-human/demo-ecommerce.mp4)

## 9. 常见问题

### 成片时长为什么和设置的不完全一样？

视频由多个 5–15 秒分镜拼接，配音长度、分镜吸收与本地动画都会影响最终时长；自动模式由 AI 按信息量规划，因此会有少量偏差。MV 的总时长完全由歌曲决定，不需要设置。

### 方案里没有文生视频分镜，怎么加？

常规模式默认以数字人口播 + Web 动画/图文动效为主，文生视频常用于氛围与转场，不一定会自动出现。方案生成后，在对话框说「把场景 2 改成文生视频分镜，画面是……」并补一句画面内容即可；AI 会给出改稿建议卡，确认后只重做该段。也可以在下需求时直接写「第 2 段用实拍感空镜，不要人物」。

### 一镜到底真的是一次生成吗？

观感上是一段连续视频。底层按 5–15 秒连续生成后自动拼接，保持人物、场景与语气一致；自动时长超过 15 秒会拆成 2–3 段连续生成。

### 数字人形象和本人不够像怎么办？

优先使用正面、清晰、无遮挡、光线均匀的 1–3 张人像；避免墨镜、侧脸、强滤镜与多人合影。克隆形象以参考人像的五官与脸型为准，换更清晰的照片通常比堆文字更有效。

### 克隆音色需要多长的样本？

建议 10–60 秒清晰人声，支持 wav / mp3 / m4a，文件不超过 10MB。环境安静、单人说话、语速自然、无背景音乐效果最好。

### 生成的视频可以商用吗？

请确保你拥有形象、声音、图片、音乐与文案的相应授权，并遵守平台规则与法律法规。不要未经授权克隆他人形象或声音，也不要用生成内容误导他人。

## 10. 开始创作

第一次建议使用「常规模式 + 自动时长 + 9:16 + 720p」跑通一条 30 秒口播，再逐步尝试 MV、电商带货与探店宣传。

- 进入数字人创作：https://ai.kiikii.vip/digital-human
- 打开资产中心：https://ai.kiikii.vip/digital-human/assets
- 返回教程中心：https://ai.kiikii.vip/doc