ergouzi/e-video-avatar · 自研模型

通过一张人物肖像图片，搭配一段脚本或音频，即可生成口播视频。上传照片并提供人物要说的文字，或提供需要进行口型同步的音频，模型便会返回人物开口说话的视频。 `e-video-avatar` 是ergouzi 使用数字人模型做出来的。它针对生成速度和成本进行了优化，是该类别中价格最低的数字人及口型同步方案，同时仍能生成自然的口型变化和面部表情。 **工作原理** 你需要向模型提供两项内容： - 一张**人物肖像图片**（JPG、JPEG、PNG 或 WebP）：你希望进行动画化处理的人脸。 - 以下内容二选一： - **`voice_script`**：人物需要朗读的文本，可从 30 种声音和 10 种语言中进行选择。 - **`audio`**：你自己的录音文件，模型会根据音频同步人物口型。 如果同时提供 `voice_script` 和 `audio`，模型会优先使用音频。 模型会返回 720p 或 1080p 的 MP4 视频，语音将直接包含在视频的音轨中。 **声音与语言** 使用 `voice_script` 时，可以从 30 种命名声音中选择，包含男性和女性声音；同时支持 10 种输出语言，包括英语、西班牙语、法语、德语、意大利语、巴西葡萄牙语、日语、韩语和印地语等。 使用 `voice_prompt` 可以指定说话者的表达风格，例如“语气兴奋地说”“平静而有条理地说”或“像新闻主播一样说”。 使用 `video_prompt` 可以描述视频中的动作和画面，例如“人物正在用双手做手势”。 **获得良好效果的技巧** - **使用清晰的正面肖像。** 较大的拍摄角度、面部遮挡或低分辨率都会影响人物身份特征的保留效果。 - **保持音频清晰。** 语音越清楚、背景噪声越少，口型同步效果通常越准确。 - **选择合适的分辨率。** 720p 的价格是 1080p 的一半，并且足以满足大多数使用场景。需要更多画面细节时，可以选择 1080p。 - **使用 `voice_prompt` 指定表演和语气，而不是填写朗读内容。** 实际需要说出的文字应填写在 `voice_script` 中。 **可以构建的应用** - **教育内容**：仅使用一张照片，即可让固定的虚拟讲师讲解课程。 - **营销和社交媒体内容**：将产品图片或品牌吉祥物制作成会说话的数字人。 - **本地化内容**：使用同一张人物肖像，以多种语言生成相同脚本的视频。 - **播客或有声读物画面**：让主持人肖像根据现有音频进行动画和口型同步。 **使用方式** - 使用方式，给codex等客户端，安装skill：https://github.com/aiman-labs/ergouzi-agent-skills - 或者安装mcp：https://github.com/aiman-labs/ergouzi-agent-skills - 单独创建一个【图片视频模型】分组的密钥，告诉AI，让它配置ergouzi的url+密钥给这个skill - 这个密钥不是配置给客户端，是配置到skill内部 - 配置好之后就可以在codex等客户端中，调用skill进行生图