可创建博物馆虚拟讲解员视频：先准备人像与分段脚本，再用图生视频驱动口型动作，文生视频构建展厅环境，分段生成后剪辑拼接，并通过tts音频与口型逐帧对齐实现声画同步。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望为博物馆打造一位具备专业讲解能力的虚拟讲解员视频，但尚未掌握具体操作路径，则可能是由于未明确区分文生视频与图生视频两种生成模式的应用边界。以下是创建智谱清影博物馆虚拟讲解员视频的具体步骤：
一、准备讲解员形象与语音脚本
该步骤旨在为后续视频生成提供稳定、可控的视觉与听觉基础。使用静态人像（如数字人照片或AI生成肖像）作为讲解员主体，同时撰写符合博物馆展陈逻辑的讲解词，确保内容准确、节奏适配6秒单段视频时长。
1、在手机或电脑端打开智谱清言App或访问 https://chatglm.cn/video 网页版，完成微信扫码登录。
2、点击主界面“清影-AI生视频”或“体验清影”入口，进入功能首页。
3、准备一张高清正面人像图，要求背景简洁、光照均匀、面部清晰无遮挡；同时将讲解词按每6秒约80–100字分段，例如：“欢迎来到青铜器展厅。这件西周晚期的‘史墙盘’，内底铸有284字铭文，是研究西周历史的一手文献。”
二、采用图生视频模式驱动讲解员口型与微动作
此方法利用上传图片作为视觉锚点，通过指令激活讲解员自然口部开合、眼神移动与轻微手势，避免文生视频中人物结构失真问题，更适合对专业性与可信度要求较高的博物馆场景。
1、在清影首页点击“图生视频”标签。
2、上传已准备好的讲解员人像图。
3、在描述框中输入精准动作指令，例如：“讲解员嘴唇同步开合朗读所附文案，头部微倾15度，右手抬起指向画面右侧虚拟展柜，眼部跟随指尖缓慢转动”。
4、不重复描述图像已有信息（如服装颜色、发型），仅聚焦动态变化部分。
三、采用文生视频模式构建全景展厅环境与镜头调度
该方式用于生成包含虚拟讲解员与三维展厅融合的完整画面，适用于片头、转场或重点文物特写段落。系统依据文字描述自动合成背景、光影与运镜逻辑，强化沉浸感与叙事张力。
1、切换至“文生视频”标签。
2、输入复合型提示词，格式为：“电影级固定中景镜头。中国国家博物馆古代中国展厅，暖光射灯照亮中央展柜中的青铜器。身着深蓝色制服的女讲解员站立于展柜左侧，面带微笑讲解，口型自然同步，背景观众虚化”。
3、添加风格强化词，如“博物馆纪录片质感”“浅景深”“4K胶片颗粒”以提升专业观感。
4、选择输出分辨率1440×960，时长设为6秒，点击“立即生成视频”。
四、分段生成后拼接为连贯讲解序列
单次生成限6秒，需将整套讲解拆解为多个语义单元分别生成，再通过本地剪辑工具串联。此方式可规避长文本理解偏差，保障每段画面与语音严格匹配。
1、将完整讲解稿划分为若干6秒单元，每单元对应一件展品或一个知识模块。
2、对每个单元分别执行图生视频或文生视频流程，生成独立MP4文件。
3、导出全部片段后，在剪映、CapCut等工具中按脚本顺序排列，添加统一背景音乐与淡入淡出转场。
4、在每段视频起始帧叠加对应字幕，字体选用思源宋体，字号不小于28pt，确保展厅环境下远距离可读。
五、注入真实语音并同步唇形
清影当前版本不支持直接导入外部音频驱动唇动，但可通过两轨合成实现声画一致：先用TTS工具生成标准普通话讲解音频，再将音频波形导入剪辑软件，逐帧对齐图生视频中讲解员口型变化节点。
1、使用微软Azure语音或讯飞听见TTS，输入讲解文案，选择“新闻播报-庄重女声”音色，导出WAV格式音频。
2、将音频导入剪辑软件，展开波形图，定位每句起始爆破音（如“欢”“青”“铜”）所在时间点。
3、回看图生视频片段，找到讲解员开口瞬间帧，手动拖动音频轨道使爆破音与开口帧完全重合。
4、导出最终合成视频，检查第3秒、第5秒等关键帧处是否存在声画延迟现象。
