# 数字人、对口型与人物动画

> 用 POST /v1/videos 生成数字人口播、给视频换口型、让照片里的人物动起来。InfiniteTalk、LatentSync、Wan Animate 2，按输出秒数计费。

网页版: https://bigmodel.io/zh-cn/docs/digital-humans · 更新于 2026-10-18

四个数字人模型都用 `POST /v1/videos` 创建任务，查询和下载方式与[视频生成](https://bigmodel.io/zh-cn/docs/video-generation)一样。按输出视频的秒数计费，时长由输入的音频或视频决定；失败和取消的任务不收费。

| 模型 | 输入 | 输出 | 适合 |
|---|---|---|---|
| `infinitetalk` | `image`（肖像）或 `video`（单人视频），加 `input_audio`（配音或歌曲） | 人物开口说话或演唱 | 口播、带货、讲解 |
| `latentsync` | `video`（单人、正脸清晰）+ `input_audio`（配音） | 原视频只重绘嘴部，用原配音 | 视频换台词、配音翻译 |
| `latentsync-music` | `video` + `input_audio`（歌曲） | 分离人声驱动口型，保留整首歌 | 对口型唱歌 |
| `wan-animate-2` | `image`（人物）和/或 `video`（动作参考），可选 `input_audio` | 人物做出自然动作，或复刻视频里的动作和表情 | 让照片动起来、动作迁移 |

素材可以是公开的 `https://` 链接或 base64 data URI，单个文件不超过 50 MB。

## 照片开口说话（InfiniteTalk）

```bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "infinitetalk",
    "image": "https://example.com/host.jpg",
    "input_audio": "https://example.com/script.mp3",
    "prompt": "自然微笑，轻微点头"
  }'
```

- 驱动音频单段最多 60 秒。
- 用 `video` 代替 `image` 时，保留原视频里的人物、动作和背景，只重绘嘴部区域。
- 配音可以先用[语音合成](https://bigmodel.io/zh-cn/docs/text-to-speech)生成，再把链接传进来。

## 给现有视频换口型（LatentSync）

```bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "latentsync",
    "video": "https://example.com/talking.mp4",
    "input_audio": "https://example.com/new-line.wav"
  }'
```

- 视频必须是单人、正脸清晰，最高 1080P。不能传 `image`。
- 配音只收 wav 或 mp3。`latentsync` 最长 120 秒；`latentsync-music` 用于歌曲，最长 15 秒。
- 视频比配音短时，`latentsync` 会正放倒放循环补齐，`latentsync-music` 会停在最后一帧。

## 让照片动起来（Wan Animate 2）

```bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "wan-animate-2",
    "image": "https://example.com/character.png",
    "video": "https://example.com/dance.mp4"
  }'
```

- 只给 `image`：生成约 5 秒的自然微动作。
- 同时给 `video`：把视频里的动作和表情迁移到图片人物上，时长跟随视频，最多 60 秒。
- 只给 `video`：用视频的首帧作人物参考。
- `input_audio` 只替换成片的音轨，**不驱动口型**；需要口型请用 `infinitetalk`。

## 计费

计费秒数取实际输入时长：`infinitetalk`、`latentsync` 按驱动音频的秒数，`wan-animate-2` 按动作视频的秒数（只有图片时按 5 秒）。单价见[模型目录 → 视频](https://bigmodel.io/zh-cn/models?type=Video)。提交前可以加 `"dry_run": true` 预估费用：

```json
{"object": "quote", "model": "infinitetalk", "unit": "per_second", "estimated_units": 12.5, "estimated_cost_usd": 0.16}
```

## 常见问题排查

| 现象 | 处理 |
|---|---|
| `400` Give image … or video … plus input_audio | `infinitetalk` 需要 `image` 和 `video` 二选一，再加 `input_audio`。 |
| `400` image is not accepted | `latentsync` 系列只收 `video` 和 `input_audio`。 |
| 口型不准或画面闪烁 | 换正脸清晰、光线均匀、只有一个人的视频；配音去掉背景音乐。 |
| `failed`，提示素材无法处理 | 检查音频格式（wav/mp3）和时长上限。 |

## 相关文档

- [视频生成](https://bigmodel.io/zh-cn/docs/video-generation)
- [语音合成](https://bigmodel.io/zh-cn/docs/text-to-speech)
- [多模态总览](https://bigmodel.io/zh-cn/docs/multimodal-overview)
- [多模态任务 API 参考](https://bigmodel.io/zh-cn/docs/api-media-tasks)