怎么让一张照片开口说话？

模型到底在读什么

InfiniteTalk 会先分析你音频的波形，预测出音素，再让嘴跟着动。这个先后顺序很关键：是脸跟着声音走，不是反过来。实际后果就是——干净的单人配音出来很自然，而一段带背景音乐的手机房间录音，出来的是一张对着空气嚼东西的脸。

肖像提供的是身份，不是表演。发型、衣着、光线、背景在整段里都保持不变，所以一张光线均匀的正经证件风照片，比一张硬光横切过下巴的戏剧感大片更有说服力。

第一步：先把配音做好

录成或导出成单声道，混响越少越好。房间回声是说到底为什么会「出戏」的头号原因：模型被告知要说话，而房间在零点几秒之后回答了一句。

• 一个人说话，不要有重叠的人声。两个人的对话，最后只会由一张脸说出来。
• 不要背景音乐。要么抽掉，要么重录——没有哪个模型能把人声从一首歌里分得足够干净来做对口型。
• 音量要匀。前段很轻后段很大，脸就会先显得无聊，然后突然激动。
• 支持 MP3、WAV、OGG、M4A，最大 40 MB。

第二步：挑一张模型能锁住的肖像

正面或四分之三侧最好。脸要够大，嘴不能只有几个像素宽，脸前面不能有东西——麦克风、手、一缕头发都不行。如果照片里不止一个人，记得上传遮罩告诉模型该动哪一张脸，不然它会分散注意力，动错人。

第三步：选分辨率和时长，然后渲染

计费按 5 秒一段算。先用 480p 验证配音和肖像配不配；720p 每段大约是两倍价格，那是留给终稿的，不是给第一次尝试的。最长 10 分钟，超过 600 秒的文件在计费之前就会被拒掉。

提示词框填的是表演指令，不是台词：「微微一笑」「影棚主光」「轻微点头的节奏」。写短——这些词是给表演的备注，不是剧本。剧本是那段音频。

要花多少积分

一次 5 秒 480p 生成是 180 积分。注册送的 300 积分，够一个新账号做一条测试片，还剩一点可以拿去做照片动画。付费方案每月 $4.90 起、300 积分；一次性积分包 $9.90 起、500 积分——不管哪种，配音的活儿都是你自己干的，而重录不要钱。

做出来还是不对，怎么查

• 嘴在动但字不落地：音频里有回声或音乐。重录一遍干的。
• 脸在中途换人：原图是侧脸或者修得太狠。换一张更正面、更少后期的。
• 长片里下巴机械：把片子缩短，分段重渲，而不是硬拉一条长镜头。
• 表情很平：在提示词里加一句表演提醒，先把最短的那一段重跑一次。

最后一句经验之谈：先把声音做好，再去修画面。口型对不上，九成是音频里混进了回声，或者整段是一个字一个字念出来的。同一段肖像换一条干净录音重跑，比在提示词里加十个形容词有用得多。