Human Avatar

使用阿里云 DashScope API 与阿里云 LingMou/灵眸生成多种 AI 视频与语音内容。七种能力：① LivePortrait 人像口播（图+音频→说话视频，两步流程）② EMO 人像口播 ③ AA/AnimateAnyone 全身动画（三步流程）④ T2I 文生图（万相2.x，默认 wan2.2-...

Human Avatar — 阿里云 AI 视频 & 语音生成

能力总览

能力	脚本	模型/接口	Region	简介
LivePortrait	live_portrait.py	liveportrait	cn-beijing	人像图 + 音频/视频 → 口播动态视频，两步流程
EMO	portrait_animate.py	emo-v1	cn-beijing	人像图 + 音频 → 口播，检测+生成两步
AA (AnimateAnyone)	animate_anyone.py	animate-anyone-gen2	cn-beijing	全身动画，三步：图检测→动作模板→视频生成
T2I 文生图	text_to_image.py	wan2.x-t2i	多地域	文字描述 → 图片，默认 wan2.2-t2i-flash
I2V 图生视频	image_to_video.py	wan2.x-i2v	多地域	图片 → 视频，支持 T2I→I2V 一条龙，默认 wan2.6-i2v-flash
Qwen TTS	qwen_tts.py	qwen3-tts-*	cn-beijing / 新加坡	文字 → 语音，按场景自动选模型和音色，默认 qwen3-tts-vd-realtime-2026-01-15
灵眸数字人	avatar_video.py	LingMou SDK	cn-beijing	基于模板的数字人口播视频

---

快速选择指南

需要人像说话（有现成音频/视频）    → LivePortrait
需要人像说话（无音频，先生成语音）  → Qwen TTS → LivePortrait
需要全身跳舞/动作                 → AA (AnimateAnyone)
需要根据文字生成图片               → T2I (text_to_image)
需要根据图片生成视频               → I2V (image_to_video)
需要从零文字到视频（一条龙）        → T2I → I2V（image_to_video --t2i-prompt）
需要企业数字人/模板播报            → 灵眸 (avatar_video)

---

环境配置

pip install requests dashscope oss2 scipy numpy
# 灵眸额外:
pip install alibabacloud-lingmou20250527 alibabacloud-tea-openapi

export DASHSCOPE_API_KEY=sk-xxxx               # 北京地域 API Key
export ALIBABA_CLOUD_ACCESS_KEY_ID=xxx         # OSS 上传用
export ALIBABA_CLOUD_ACCESS_KEY_SECRET=xxx
export OSS_BUCKET=your-bucket
export OSS_ENDPOINT=oss-cn-beijing.aliyuncs.com

⚠️ cn-beijing 和新加坡地域的 API Key 不互通，请确认使用正确地域的 Key。 OSS_ENDPOINT 支持带或不带 https:// 前缀，脚本自动规范化。

---

1. LivePortrait — 人像口播视频

适用场景：有人物照片 + 语音内容，快速生成人物说话视频。

流程：

Step 1: liveportrait-detect (同步)  → pass=true
  ↓
Step 2: liveportrait        (异步)  → video_url

图片要求：单人正面肖像，人脸清晰，无遮挡 音频要求：wav/mp3，< 15MB，1s ~ 3min 视频输入：自动提取音频（ffmpeg）

# 图片 + 音频文件
python scripts/live_portrait.py \
  --image ./portrait.jpg \
  --audio ./speech.mp3 \
  --template normal --download

# 图片 + 视频（自动提取音频）
python scripts/live_portrait.py \
  --image ./portrait.jpg \
  --video ./speech_video.mp4 \
  --template active --download

# 直接用公网 URL
python scripts/live_portrait.py \
  --image-url "https://..." \
  --audio-url "https://..." \
  --mouth-strength 1.2 --download

动作模板：

• normal（默认，适中动作）
• calm（平静，适合新闻播报/讲故事）
• active（活泼，适合演唱/活动主持）

---

2. Qwen TTS — 文字转语音

适用场景：需要从文字生成语音文件（配合 LivePortrait、EMO 等使用）。

默认模型：qwen3-tts-vd-realtime-2026-01-15

场景自动选模型

场景 --scene	推荐模型	推荐音色
default / brand	qwen3-tts-vd-realtime-2026-01-15	Cherry
news / documentary / advertising	qwen3-tts-instruct-flash-realtime	Serena / Ethan
audiobook / drama	qwen3-tts-instruct-flash-realtime	Cherry / Dylan
customer_service / chatbot / education	qwen3-tts-flash-realtime	Anna / Ethan
ecommerce / short_video	qwen3-tts-flash-realtime	Cherry / Chelsie

可用音色

音色	特点
Cherry	活泼甜美女声，广告/有声书/配音
Serena	成熟知性女声，新闻/讲解/企业形象
Ethan	稳重亲切男声，教育/纪录片/培训
Dylan	富有表现力男声，广播剧/游戏配音
Anna	温柔亲切女声，客服/助手/日常
Chelsie	年轻清新女声，短视频/电商
Thomas	低沉磁性男声，品牌宣传/广告
Luna	温暖柔和女声，冥想/故事叙述

# 默认生成（qwen3-tts-vd-realtime + Cherry）
python scripts/qwen_tts.py --text "你好，欢迎使用千问语音" --download

# 按场景自动匹配
python scripts/qwen_tts.py --text "今日股市..." --scene news --download
python scripts/qwen_tts.py --text "从前有个..." --scene audiobook --download

# 指令控制语气/风格
python scripts/qwen_tts.py \
  --text "亲爱的同学们..." \
  --model qwen3-tts-instruct-flash-realtime \
  --instructions "语调温和，节奏平稳，适合教学场景" \
  --download

# 查看所有选项
python scripts/qwen_tts.py --list-voices
python scripts/qwen_tts.py --list-models

---

3. T2I 文生图 — 万相2.x

适用场景：根据文字描述生成高质量图片（可后续接 I2V 生成视频）。

# 默认模型（wan2.2-t2i-flash，快速）
python scripts/text_to_image.py \
  --prompt "一位穿汉服的女性站在桃花林中，电影感，4K，柔和光线" \
  --size 960*1696 --download

# 高质量模型
python scripts/text_to_image.py \
  --prompt "..." --model wan2.2-t2i-plus --size 1280*1280 --download

# 最新模型（万相2.6）
python scripts/text_to_image.py \
  --prompt "..." --model wan2.6-t2i --size 1280*1280 --n 1 --download

模型选型：

• wan2.2-t2i-flash（默认，快速，适合测试）
• wan2.2-t2i-plus（质量更高）
• wan2.6-t2i（最新，支持更宽高比，同步调用）

常用尺寸：1280*1280（1:1）/ 960*1696（9:16 竖版）/ 1696*960（16:9 横版）

---

4. I2V 图生视频 — 万相2.x

适用场景：将图片生成为动态视频，支持从文字一条龙到视频。

# 本地图片 → 视频
python scripts/image_to_video.py \
  --image ./portrait.jpg \
  --prompt "她缓缓转身微笑，裙摆飘动，花瓣轻轻飞舞" \
  --model wan2.6-i2v-flash \
  --resolution 720P --duration 5 --download

# 🔥 一条龙：文字 → 图 → 视频
python scripts/image_to_video.py \
  --t2i-prompt "一位穿汉服的女性站在桃花林中" \
  --prompt "她缓缓转身，花瓣飘落，唯美意境" \
  --download --output result.mp4

# 带背景音乐
python scripts/image_to_video.py \
  --image ./portrait.jpg \
  --audio-url "https://..." \
  --prompt "..." --download

模型选型：

• wan2.6-i2v-flash（默认，含音效，支持5/10s）
• wan2.5-i2v-preview（高质量预览版）
• wan2.2-i2v-plus（无声，较快）

---

5. AA AnimateAnyone — 全身动画

适用场景：有人物全身照 + 参考动作视频，生成人物跳舞/动作视频。

要求：

• 图片：单人全身正面，头到脚完整，宽高比 0.5~2.0
• 视频：全身入镜，首帧开始即全身可见，mp4/avi/mov，fps≥24，2~60s

三步流程：

Step 1: animate-anyone-detect-gen2   (同步)  → check_pass=true
  ↓
Step 2: animate-anyone-template-gen2 (异步)  → template_id（约3~5分钟）
  ↓
Step 3: animate-anyone-gen2          (异步)  → video_url（约3~5分钟）

# 本地文件（自动转换格式 + 上传 OSS）
python scripts/animate_anyone.py \
  --image ./portrait_fullbody.jpg \
  --video ./dance.mp4 \
  --download --output result.mp4

# 以图片为背景生成
python scripts/animate_anyone.py \
  --image ./portrait.jpg --video ./dance.mp4 \
  --use-ref-img-bg --video-ratio 9:16 --download

# 跳过 Step2（已有 template_id）
python scripts/animate_anyone.py \
  --image ./portrait.jpg \
  --template-id "AACT.xxx.xxx" --download

格式自动转换：视频 webm/mkv/flv → mp4；图片 webp/heic → jpg；fps<24 → 24fps

---

6. EMO — 人像口播（旧版）

注意：推荐优先使用 LivePortrait，EMO 适合对口型精度要求高的场景。

python scripts/portrait_animate.py \
  --image ./portrait.jpg \
  --audio ./speech.mp3 \
  --download

---

7. 灵眸数字人 — 企业级模板视频

适用场景：企业数字人播报、模板化新闻视频、上传人物图片并结合口播脚本生成模板播报视频。

新工作流（优先无 template_id）

• 若用户给了 template_id：直接使用该模板生成
• 若用户没给 template_id：
  1. 先列出账号下已有播报模板
  2. 如果有模板，随机选择一个模板来创作
  3. 如果没有模板，再尝试获取公共模板并复制最多 3 个公共模板到当前账号
  4. 从复制结果里随机选择一个继续生成
• 但要注意：公共模板复制成功后，复制出的模板不一定立刻就是“可直接生成视频”的成熟模板；有些复制结果仍是草稿，可能缺少有效片段、素材或变量绑定，需要在灵眸侧补完
• 若用户只给了图片和“做个口播视频”的要求，但没有明确脚本：先向用户确认口播文案，再继续生成

当前脚本能力

scripts/avatar_video.py 现在支持：

• --list-templates：列出账号下已有模板
• --list-public-templates：列出公共模板（SDK 1.7.0+）
• --copy-public-templates：复制最多 3 个公共模板（SDK 1.7.0+）
• 不传 --template-id：随机选择一个已有模板
• 当本地模板为空时：自动尝试复制公共模板作为兜底
• --show-template-detail：查看模板详情与可替换变量
• 自动把输入文案填入模板里的 text 变量（优先 text_content / test_text）
• 当公共模板复制后直接生成失败时，明确报错提示用户该模板仍需完善，而不是静默失败

# 列出现有模板
python scripts/avatar_video.py --list-templates

# 列出公共模板（SDK 1.7.0+）
python scripts/avatar_video.py --list-public-templates

# 手动复制最多 3 个公共模板（SDK 1.7.0+）
python scripts/avatar_video.py --copy-public-templates

# 不指定 template_id，自动随机选一个已有模板来播报
python scripts/avatar_video.py \
  --text "大家好，欢迎收看今天的科技新闻。" \
  --download

# 指定 template_id
python scripts/avatar_video.py \
  --template-id "BS1b2WNnRMu4ouRzT4clY9Jhg" \
  --text "大家好，欢迎收看今天的科技新闻。" \
  --download

# 查看随机选中的模板详情
python scripts/avatar_video.py \
  --show-template-detail \
  --text "这是一段测试播报文案"

对话式使用约定

当用户说：

• “用这张图做一个口播视频”
• “帮我做个数字人口播”
• “上传图片，做个播报视频”

按下面流程执行：

1. 判断用户是否已经给出可直接播报的文案/脚本
2. 如果没有，就先追问一句：“口播的具体文案是什么？你也可以只给我要点，我来帮你整理成适合播报的脚本。”
3. 拿到脚本后，调用灵眸流程：优先随机已有模板；无本地模板时再尝试公共模板复制
4. 如果用户上传了人物图片，但当前模板式灵眸接口并不需要该图片，明确告诉用户：这一路径主要依赖模板；若要强制使用用户图片做人像口播，应改走 LivePortrait / EMO

---

API 参考文档

• LivePortrait: https://help.aliyun.com/zh/model-studio/liveportrait-api
• EMO (emo-detect + emo-v1): references/emo-api.md
• AA (Animate Anyone): references/aa-api.md
• T2I (文生图V2): https://help.aliyun.com/zh/model-studio/text-to-image-v2-api-reference
• I2V (图生视频): https://help.aliyun.com/zh/model-studio/image-to-video-api-reference/
• Qwen TTS: https://help.aliyun.com/zh/model-studio/qwen-tts-realtime
• 灵眸 (LingMou): references/lingmou-api.md
• OSS 上传: references/oss-upload.md