Digital Avatar

数字人/虚拟形象生成和口播视频制作。支持多个后端：可灵 Kling、即梦 Jimeng、HeyGen、D-ID、Synthesia。输入形象描述或真人照片，输出数字人资源ID或口播视频片段。触发词：数字人、虚拟人、AI主播、avatar、口播视频、talking head。

数字人生成

功能

1. 创建数字人形象：从描述或照片生成数字人
2. 声纹克隆（可选）：上传音频样本 → 克隆声纹
3. 生成口播视频：数字人 + 台词/音频 → 口播视频片段

语音来源选项

方式	说明	推荐场景
平台内置 TTS	用平台预设声音	快速测试
上传音频	提供录好的音频文件	有现成配音
平台声纹克隆	上传样本 → 平台克隆	推荐，全链路统一
外部 TTS	用 MiniMax 等生成后上传	平台不支持克隆时

推荐：优先用平台自带的声纹克隆，保持后端一致性。

⚠️ 重要：后端一致性原则

同一个数字人项目必须全程使用同一个后端！

• 可灵的 avatar_id 和即梦的不互通
• 即梦创建的形象，可灵用不了，反之亦然
• 选定后端后，从创建形象到生成口播都用同一个

支持的后端

后端	数字人	口播	声纹克隆	特点
Kling 可灵	✓	✓	✓	质量高，国产首选
Jimeng 即梦	✓	✓	✓	快，中文口型好，剪映生态
HeyGen	✓	✓	✓	模板丰富，出海/英文
D-ID	✓	✓	-	简单快速
Synthesia	✓	✓	✓	企业级，多语言

推荐：国内项目优先用可灵或即梦，二选一后全程使用。

工作流程

流程 A：创建数字人

text

输入: 形象描述 / 真人照片
  ↓
选择后端
  ↓
调用 API 生成
  ↓
输出: avatar_id + 预览图

流程 B：生成口播视频

text

输入: avatar_id + 台词文本/音频
  ↓
调用后端口播 API
  ↓
等待渲染
  ↓
输出: 视频文件 URL

输入参数

创建数字人

参数	必填	说明
mode	✓	create
backend	-	kling / jimeng / heygen / d-id / synthesia
description	△	形象描述（二选一）
photo	△	真人照片路径（二选一）
style	-	realistic / cartoon / 3d
gender	-	male / female

声纹克隆（可选）

参数	必填	说明
mode	✓	voice_clone
backend	-	kling / jimeng（需支持）
audio_sample	✓	音频样本（10s-3min）
name	-	声纹名称

输出：voice_id，后续生成口播时使用。

生成口播视频

参数	必填	说明
mode	✓	generate
backend	-	同上
avatar_id	✓	数字人 ID
text	△	台词文本（三选一）
audio	△	音频文件路径（三选一）
voice_id	△	克隆声纹 ID + text（三选一）
emotion	-	neutral / happy / serious
speed	-	语速 0.5-2.0（默认1.0）

输出格式

创建数字人

yaml

avatar:
  id: "avatar_abc123"
  backend: jimeng
  preview_url: "https://..."
  style: realistic
  created_at: "2024-01-01T00:00:00Z"

生成口播视频

yaml

video:
  id: "video_xyz789"
  avatar_id: "avatar_abc123"
  url: "https://..."
  duration: 15.5
  status: completed

后端配置

在 openclaw.json 中配置（只需配置你选用的后端）：

Kling 可灵（推荐）

json

{
  "kling": {
    "access_key": "your_access_key",
    "secret_key": "your_secret_key"
  }
}

Jimeng 即梦

json

{
  "jimeng": {
    "api_key": "ak-xxxxxxxx"
  }
}

HeyGen

json

{
  "heygen": {
    "api_key": "xxx"
  }
}

详见 references/backend-setup.md

使用示例

从描述创建

text

用户：帮我创建一个数字人，25岁左右的职业女性，干练短发

执行：
1. mode=create, description="25岁职业女性，干练短发", style=realistic
2. 调用 Jimeng API
3. 返回 avatar_id

从照片创建

text

用户：用这张照片创建数字人 [附图]

执行：
1. mode=create, photo=<图片路径>
2. 调用 API 上传照片
3. 返回 avatar_id

生成口播

text

用户：用 avatar_abc123 说这段话："大家好，今天教大家..."

执行：
1. mode=generate, avatar_id="avatar_abc123", text="大家好..."
2. 调用口播 API
3. 等待渲染完成
4. 返回视频 URL

与上下游对接

上游：video-script-generator 输出的 narration 字段

下游：scene-video-generator / video-stitcher 消费口播视频

注意事项

1. 真人照片需获得授权
2. 商用需确认后端的版权协议
3. 口播视频渲染可能需要 1-5 分钟
4. 建议缓存 avatar_id 避免重复创建