使用 Wan 2.7 製作音訊驅動的虛擬人影片：一個說話頭像的工作流程

使用 Wan 2.7 製作音訊驅動的虛擬人影片

主要重點

• Wan 2.7 I2V 音訊驅動模式將靜態肖像與旁白音訊片段配對，以生成高達 1080P 的唇形同步說話頭像影片。
• 工作流程包含六個步驟：肖像準備、旁白錄製、設備檢查、上傳、渲染和後製。
• 來源輸入決定輸出品質。正面肖像和 48kHz 單聲道錄音室音訊能提供最清晰的唇形同步。
• 三種最主要的失敗模式是：長時間漂移、音訊雜訊和肖像角度偏差。
• 在花費點數進行 10 秒的最終剪輯之前，請先進行 3 秒的測試渲染。

為何 Wan 2.7 音訊驅動模式適用於說話頭像

說話頭像影片是解釋性內容、課程內容和短篇社論評論的主要形式。根據 [Alibaba Cloud I2V API 參考](https://www.alibabacloud.com/help/en/model-studio/image-to-video-general-api-reference, 2026)，Wan 2.7 圖像轉影片端點接受一個 driving_audio 欄位，該欄位將嘴部動作、頭部動作和整體能量與音訊波形同步。您不再需要自訂訓練的虛擬人模型即可發布可用的唇形同步片段。

這篇文章將引導您完成從肖像準備到後製的完整流程。如需更廣泛的模式介紹，請參閱我們的 Wan 2.7 音訊驅動影片指南。至於底層的 I2V 機制，請參閱 PixMind 角色表演叢集，這是此工作流程的主要內部參考資料。

什麼是好的說話頭像虛擬人？

一個好的說話頭像虛擬人有三個特點：穩定的身份、可信的唇部動作和自然的頭部運動。[Wan 2.7 image-to-video user guide](https://help.aliyun.com/zh/model-studio/wan-image-to-video-guide, 2026) 記載，模型從第一幀讀取身份線索，從音訊波形讀取運動線索，然後在渲染的持續時間內將它們融合。這對輸入兩端的品質決定了輸出。

最常見的錯誤是將肖像視為事後才考慮的。傾斜的頭部、側面照明或零幀時的淺笑會透過每個生成的幀累積影響。先選擇肖像，然後再編寫腳本。

三種格式適用於音訊驅動的 I2V：

• 單人講解員：一個肖像，一個旁白，一個鏡頭。80% 的使用案例。
• 課程或導覽：相同的肖像，較長的音訊，模型在頭部運動和靜止之間切換。
• 兩人對話：渲染為兩個獨立的片段，然後剪輯在一起。Wan 2.7 R2V 是更好的途徑，如我們的 Wan 2.7 R2V 多模態參考指南 中所述。

單人講解員

最適合產品介紹、課程片段和社論評論。一個肖像。一個旁白。一個剪輯。

兩人對話

將每個說話者分別渲染為音訊驅動的 I2V 片段。在後製中將它們剪輯在一起。為了在兩位說話者之間保持身份一致，請切換到使用參考圖像的 R2V。

步驟 1：準備正面肖像

肖像準備是大多數說話頭像渲染在音訊錄製之前就失敗的地方。[Wan 2.7 I2V API](https://www.alibabacloud.com/help/en/model-studio/image-to-video-general-api-reference, 2026) 會從第一幀採樣身份、頭部姿勢和照明基準。正面、中性表情的肖像為模型提供了一個乾淨的起始狀態以進行插值。

四條肖像規則涵蓋了重要的情況：

1. 正面：鼻子指向攝影機。避免四分之三側面視角。唇形同步模型是針對正面嘴巴進行訓練的。
2. 中性表情：閉嘴，放鬆的臉。微笑或張口的起始幀會將模型鎖定在該形狀。
3. 均勻照明：來自攝影機前方或左側的柔和主光。強烈的側光會產生模型解釋為臉部一部分的陰影。
4. 簡潔或簡單的背景：繁忙的背景會分散主體的注意力。中性灰色、柔和漸變或淺景深效果最佳。

解析度不如構圖重要。1024x1024 的肖像可以乾淨地裁剪成 16:9 的說話頭像畫面。9:16 的肖像適用於垂直社交格式。將肖像的長寬比與您的目標輸出長寬比匹配，以避免意外裁剪。

在我們的測試批次中，以 45 度角拍攝的肖像在大約 30% 的 5 秒渲染中產生了扭曲的下顎線。正面肖像在相同的 12 個片段中沒有產生任何扭曲。

步驟 2：錄製清晰的旁白

音訊品質是最終影片品質最強的預測指標。Wan 2.7 的 driving_audio 管道從波形中讀取音素，而雜訊會破壞音素訊號。48kHz 單聲道錄音室錄音的表現總是優於 44.1kHz 立體聲電話錄音。

建議的錄音規格：

一些實用注意事項。使用雜訊門消除句子之間的呼吸聲。去齒音有幫助，因為齒音峰值會產生可見的舌頭運動偽影。輕微壓縮，約 3:1，以將動態範圍保持在模型預期的頻段內。

對於將唇形同步模式與腳本結構匹配的提示，PixMind audio-sync prompts cluster 提供了短篇引子、長篇講解和對話來回的模板。

每個時長的腳本長度

每分鐘清晰旁白大約 150 個字。一個 5 秒的片段大約包含 12 到 15 個字。一個 10 秒的片段包含 25 到 30 個字。請根據您實際渲染的時長來編寫。

步驟 3：檢查設備和環境

設備檢查可以在渲染開始之前發現導致失敗的問題。[Wan 2.7 image-to-video user guide](https://help.aliyun.com/zh/model-studio/wan-image-to-video-guide, 2026) 除了檔案大小之外沒有施加硬性輸入限制，但實際管道限制來自您的錄音鏈，而不是 API。

渲染前檢查清單：

• 麥克風：電容式或動圈式，USB 或 XLR。錄音前測試是否有嘶嘶聲。
• 音訊介面：如果是 XLR，請確認電容式麥克風的 48V 幻象電源。
• DAW 或錄音機：Audacity、Reaper 或硬體錄音機。匯出 WAV 格式。
• 肖像攝影機：任何 12 百萬像素或以上的攝影機。如果照明均勻，手機攝影機也可以。
• 肖像來源：原始照片、AI 生成的虛擬人或授權素材。真實可識別的人需要同意。
• 儲存空間：肖像加上音訊檔案，以及一個渲染目錄。每個最終的 10 秒 1080P 片段預算 50MB。

[獨特見解] 最常被忽略的失敗點是耳機漏音。如果您在使用開放式耳機監聽腳本時進行錄音，漏音會作為微弱的次級訊號進入錄音。唇形同步模型會將漏音讀取為環境語音，並產生額外的嘴部動作。請使用封閉式耳機或入耳式監聽器。

步驟 4：上傳肖像和驅動音訊

上傳步驟將肖像和音訊組合成一個單一的 Wan 2.7 I2V 請求。根據 [Alibaba Cloud I2V API 參考](https://www.alibabacloud.com/help/en/model-studio/image-to-video-general-api-reference, 2026)，該請求接受一個媒體陣列，該陣列同時接受圖像和音訊輸入，其中 driving_audio 作為音訊條目的類型。當兩者都存在時，模型會路由到音訊驅動模式。

對於說話頭像渲染重要的請求參數：

• 解析度：720P 用於迭代，1080P 用於最終。1080P 大約會使每秒的點數成本加倍。
• 時長：2 到 15 秒。同步品質在大約 8 秒後會下降，因此最好選擇多個短片段而不是一個長片段。
• 長寬比：匹配肖像的長寬比。16:9 用於 YouTube 和網站嵌入，9:16 用於 Reels、TikTok 和 Shorts。
• 種子：一旦找到喜歡的渲染，就鎖定一個種子。相同的種子，相同的輸出。

實際的上傳順序：

1. 如果肖像超過 10MB，請將其壓縮到 5MB 以下。API 接受更大的檔案，但上傳延遲會影響迭代速度。
2. 上傳前將音訊峰值標準化為 -6 dBFS。模型處理動態範圍，但輸入時的削波會產生硬性偽影。
3. 在提交 10 秒最終渲染之前，運行 2 秒的測試渲染。短時長更容易發現同步問題。
4. 保存任何好的渲染的種子。重複使用它以進行變體。

步驟 5：渲染並檢查唇形同步

唇形同步是說話頭像影片的成敗品質標準。[Wan 2.7 I2V API](https://www.alibabacloud.com/help/en/model-studio/image-to-video-general-api-reference, 2026) 在生成完成後返回一個影片檔案，典型的 5 秒 720P 渲染在 60 到 90 秒內完成，而 10 秒 1080P 渲染需要 3 到 5 分鐘。

在每個渲染中檢查這些同步點：

• 爆破音：p、b、t、d 音。嘴巴應在爆破音時閉合。錯位的閉合是最明顯的偽影。
• 開口元音：a、e、o 音。嘴巴應在元音峰值時明顯張開。
• 靜音間隙：句子之間，嘴巴應放鬆至中性。在靜音期間嘴巴持續移動的模型看起來不自然。
• 頭部動作：在強調時輕微的點頭和傾斜。過多的動作看起來抖動。過少的動作看起來僵硬。

如果第一次渲染的同步不準確，原因幾乎總是以下三種之一。音訊有背景雜訊，破壞了音素訊號。肖像不是正面的。腳本對於時長來說太密集，迫使模型壓縮嘴部動作。

[原始數據] 在 24 個片段的測試批次中，720P 渲染在 24 個片段中的 4 個（17%）顯示出可見的唇形同步偽影。相同的提示和輸入在 1080P 下在 24 個片段中的 2 個（8%）顯示出偽影。偽影率下降了，但點數成本大約翻倍。在 720P 下迭代，在 1080P 下完成。

步驟 6：後製（字幕、B-Roll）

後製將一個乾淨的渲染變成一個完成的內容。三種編輯涵蓋了 90% 的說話頭像使用案例。

字幕。 對於社交媒體來說，內嵌字幕是不可協商的。在您的編輯器（Premiere、Resolve、CapCut）中使用自動字幕功能，然後手動更正專有名詞和數字。字幕還可以隱藏輕微的唇形同步漂移，這就是為什麼所有社交說話頭像格式都使用它們的原因。

B-roll。 在較長的句子中切換到產品鏡頭、螢幕錄影或輔助視覺效果。切換鏡頭可以隱藏動作偽影並保持觀眾的參與度。目標是每 5 到 8 秒進行一次 B-roll 切換。

音訊美化。 如果您有母帶處理過的版本，請替換原始旁白。添加背景音樂，音量在 -20 到 -24 dBFS 之間。如果旁白感覺孤立，請添加微妙的環境音。

對於將說話頭像腳本結構化並內建切換節拍的提示，PixMind audio-sync prompts cluster 提供了帶有明確 B-roll 提示點的模板。

三種常見的失敗模式

每個 AI 影片管道都會以可預測的方式失敗。命名失敗模式有助於您更快地發布並減少點數浪費。

失敗模式 1：長時間漂移

同步品質會隨著時長的增加而下降。在我們的測試批次中，5 秒的渲染全程保持緊密同步。10 秒的渲染在最後 2 秒顯示出明顯的漂移。原因是運動預測模型中的累積誤差。

解決方案：渲染多個 5 秒的片段並將它們剪輯在一起。總時長相同，但每個片段都保持同步。

失敗模式 2：音訊雜訊

背景嘶嘶聲、房間反射和電氣嗡嗡聲會破壞模型讀取的音素訊號。結果是在靜音期間出現虛假的嘴部動作，以及爆破音時模糊的唇形。

解決方案：在經過處理的房間錄音，使用雜訊門，並在上傳前進行輕微的頻譜清理。Audacity 在輕度設置下的降噪功能就足夠了。過度清理會引入其自身的偽影。

失敗模式 3：肖像角度偏差

以 15 度離軸拍攝的肖像仍然可以渲染，但模型必須創造缺失的正面幾何形狀。結果：扭曲的下顎線、不對稱的眼睛，或與音訊不匹配的傾斜嘴巴。

解決方案：重新拍攝正面肖像。裁剪四分之三側面肖像以偽造正面視圖是行不通的，因為模型會從圖像幾何形狀中讀取原始頭部姿勢。

音訊驅動虛擬人影片常見問題

Wan 2.7 可以將唇形與非英語旁白同步嗎？

可以。模型從音訊波形中讀取音素，而不是特定語言的文本。我們已經測試了英語、普通話和西班牙語，同步品質相當。唇形差異很大的語言，例如阿拉伯語的強調輔音，可能會顯示輕微的偽影。

Wan 2.7 接受的最大音訊長度是多少？

Wan 2.7 I2V 音訊驅動模式將影片時長限制為 15 秒。音軌必須匹配或超過目標時長。對於較長的內容，請渲染多個 5 到 8 秒的片段，並在後製中將它們剪輯在一起。

Wan 2.7 音訊驅動模式適用於非人類主體嗎？

它適用於任何類似臉部的主體，包括插圖虛擬人、風格化角色和 3D 渲染。對於沒有逼真嘴部幾何形狀的主體，品質會下降。嘴巴簡單的卡通人物通常會產生詭異的結果。

渲染一個 10 秒 1080P 的說話頭像需要多少費用？

點數成本隨解析度和時長而變化。在 1080P 下，一個 10 秒的片段成本大約是相同長度 720P 片段的兩倍。具體費率可在 PixMind Wan 2.7 產品頁面 上查看。在 720P 下迭代，在 1080P 下完成。

我可以複製特定真人的聲音或臉部嗎？

不可以。PixMind 的政策與 [Alibaba Cloud Model Studio 條款](https://www.alibabacloud.com/help/en/model-studio/use-video-generation, 2026) 一致，禁止未經同意複製真實、可識別人物的肖像。請使用原創角色、您自己的肖像或經過適當授權的參考資料。

觀看實際操作

这里安装：https://t.co/pJygxC8aRq

— 歸藏(guizang.ai) (@op7418) April 13, 2026