如何用一张图片生成说话视频
内容提要
本文介绍了视频制作流程，包括文本、声音、图像和视频几个部分。使用AI模型生成文本，VALL-E X生成声音，制作图像要求正脸和清晰嘴唇。视频部分使用CrazyTalk软件，包括导入图像、调整脸部特征和导入声音等步骤。文章提供了示例图片和软件下载链接。
延伸解读
图像质量决定最终效果
文章强调，生成说话视频时，输入图像的质量至关重要。必须使用绝对正脸的照片，稍微侧一点都会导致生成效果大幅下降，可以理解为要求证件照级别。此外，嘴唇要清晰明显，如果嘴唇太小甚至不可见，输出的视频中嘴唇动作也会几乎不可见，从而降低真实感。因此，在图像准备阶段投入精力，是后续视频生成成功的基础。
声音生成与软件选择
声音部分推荐使用VALL-E X生成，文章提到它相对容易上手，既支持本地部署，也提供了在线访问地址和B站教程视频。视频生成则使用CrazyTalk软件，作者使用的是Windows学习版。需要注意的是，导入的音频长度不能超过3分钟，超过则需要剪辑成多个片段。动作选项应选择“仅嘴唇同步”，以确保口型与音频匹配。
操作流程中的关键调整
在CrazyTalk中导入图片后，需选择2D演员，并调整眼角和嘴角的四个控制点，以及根据五官位置微调面容点。由于要求正脸，脸部方向步骤无需调整。接着设置牙齿，可选择右侧第一个牙齿并根据参数调整。这些调整直接影响面部动画的自然程度，因此需仔细操作。文章还提供了示例图片和软件下载链接，方便读者实践。
Q&A
制作说话视频需要哪些步骤？
视频制作流程分为文本、声音、图像和视频四个部分。文本由AI模型生成，声音通过VALL-E X生成，图像需要正脸且嘴唇清晰，视频部分使用CrazyTalk软件导入图像、调整面部特征并导入声音。
生成说话视频的声音用什么工具？
可以使用VALL-E X生成声音。如果不想自己部署，也可以选择在线服务；本地部署可参考项目文档和B站教程。
对输入的图片有什么要求？
图片必须是绝对的正脸，稍微侧一点都会严重影响生成效果，可以理解为要求证件照。嘴唇最好清晰明显，否则输出的视频嘴唇也几乎不可见，真实感会降低。
CrazyTalk导入图片后如何调整面部特征？
导入图片后选择2D演员，然后调整眼角和嘴角的四个点位置，根据五官位置细调面容点，因为使用正脸所以脸部方向不需要调整，接着设置牙齿并调整参数。
导入音频有什么限制？
导入的音频长度不要超过3分钟。如果超过3分钟，请剪辑成多个3分钟的音频。动作选择“仅嘴唇同步”。
文本部分为什么最简单？
文本部分被作者称为整个流程最简单的部分，因为大多数AI模型都能做，比如使用“请你扮演XXX”然后自己说一些话来提问，文案部分不需要复杂处理。
