1.

照片驱动模型

2.

人物照片（单人，清晰，正面）

3.

你想让数字人说的话（0 / 500 字）

4.

发音人：

5.

输出画面分辨率

💡 提供一张照片与音频/文本，让照片中的人物说话或歌唱，并生成视频。