形象定制和声音复刻可同步进行,无需分步操作;需分别上传符合要求的正脸照/短视频(JPG/PNG或MP4/MOV)及3~5段原始手机录音(WAV/MP3,总时长≥90秒,16kHz单声道)。
☞☞☞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☜☜☜

想用讯飞智作快速生成带自己形象和声音的数字人,但不确定形象定制和声音复刻是不是必须分两步走、各要准备什么素材,容易卡在第一步就传错文件。
形象定制和声音复刻可以同步进行
登录讯飞智作官网→点击【开始创作】→选择【标准形象定制】后,页面会自动展开【形象+声音】双轨配置区,无需先做完形象再跳转到声音页面。这一步操作起来很简单,直接把照片/视频和音频文件一起拖进对应区域就行。
系统支持同时上传两类素材,后台并行处理,最终合成统一数字人资产。如果分开操作,反而会多出一次身份核验和等待队列排队。
形象定制所需素材及要求
方法一:上传单张高清正脸照
确保面部无遮挡、光线均匀、背景简洁;必须为JPG/PNG格式,分辨率不低于800×1000像素;【人脸占比需达画面面积60%以上,否则系统判定为无效输入】。
方法二:上传1分钟内真人短视频
横屏或竖屏均可,但需全程正面直视镜头,自然说话或微笑3秒以上;避免戴墨镜、口罩、夸张妆容;MP4/MOV格式,码率≥2Mbps。实测发现,含轻微点头动作的视频比静态照生成的口型同步准确率高27%。
方法三:使用讯飞预置形象快速启动
不上传任何素材,直接选用“商务男/知性女/青春学生”等8类标准模板,5分钟内可生成基础视频,后续再替换为本人形象。
声音复刻所需音频素材规范
第一步:录制3~5段朗读音频,每段30~60秒
内容须覆盖元音、爆破音、连续语流(如“苹果价格波动影响供应链协同”),禁止使用录音棚专业设备——手机自带录音APP即可,重点是环境安静、无回声。
第二步:导出为WAV或MP3格式,采样率16kHz,单声道
多轨混音、降噪插件处理过的音频会导致声纹特征失真,系统识别失败率超82%;务必保留原始录音文件。
第三步:上传至【声音复刻】模块对应入口
支持批量上传,但所有音频总时长不可少于90秒;若仅上传1段50秒录音,系统将提示“声纹信息不足”,无法进入建模流程。











