近日，可靈AI數(shù)字人正式亮相，憑借領(lǐng)先的口型精準(zhǔn)度、情緒動(dòng)作演繹和跨風(fēng)格泛化能力，重新定義了數(shù)字人技術(shù)的行業(yè)標(biāo)桿。用戶僅需上傳一張角色圖片、輸入角色表達(dá)內(nèi)容或一段音頻，就能生成最長(zhǎng)1分鐘、極具表現(xiàn)力的數(shù)字人視頻，而且支持多類角色及中英日韓多語(yǔ)種，最低價(jià)格僅0.12元每秒，廣泛適用于廣告、電商、娛樂(lè)、媒體、教育等眾多場(chǎng)景。目前產(chǎn)品公測(cè)陸續(xù)開(kāi)放中。

極簡(jiǎn)輸入、高質(zhì)輸出：一張圖實(shí)現(xiàn)分鐘級(jí)數(shù)字人生成

可靈AI數(shù)字人極大降低了行業(yè)的制作門檻，用戶只需提供一張角色圖（支持寫(xiě)實(shí)人物、動(dòng)漫、動(dòng)物等多種角色），輸入一段文字或音頻，即可一鍵生成最高達(dá)1080p分辨率、48FPS高幀率的高質(zhì)量數(shù)字人視頻。

該功能可支持生成最長(zhǎng)達(dá)1分鐘的數(shù)字人視頻，可輕松滿足產(chǎn)品講解、新聞播報(bào)、在線教育等多種場(chǎng)景需求，結(jié)合會(huì)員優(yōu)惠最低價(jià)僅0.12元/秒（標(biāo)準(zhǔn)價(jià)格：高品質(zhì)模式8靈感值/秒，標(biāo)準(zhǔn)模式4靈感值/秒），讓高品質(zhì)數(shù)字人技術(shù)不再是少數(shù)專業(yè)機(jī)構(gòu)的專利，真正賦能廣大內(nèi)容創(chuàng)作者與中小企業(yè)。

此外，為了實(shí)現(xiàn)“開(kāi)箱即用”的便捷體驗(yàn)，可靈AI還提供了一站式解決方案。既支持用戶上傳自有素材，也可以使用內(nèi)置的官方形象庫(kù)、AI生圖功能以及近百種TTS音色，輕松完成從角色創(chuàng)建到配音的全流程。

角色演繹“神形兼?zhèn)洹? 

在數(shù)字人的核心能力——“表現(xiàn)力”上，可靈AI展示了其深厚的技術(shù)功底，不再滿足于同類產(chǎn)品簡(jiǎn)單的音畫(huà)同步，而是追求角色“神形兼?zhèn)洹钡纳鷦?dòng)演繹。

（可靈AI數(shù)字人視頻截圖）

在對(duì)口型這一基礎(chǔ)指標(biāo)上，可靈AI數(shù)字人展現(xiàn)出了業(yè)界領(lǐng)先的精準(zhǔn)度。實(shí)測(cè)案例中，一位女歌手正演唱英文歌曲，其唇形與快速變化的歌詞音節(jié)完美貼合，復(fù)雜口型也表現(xiàn)出色。而根據(jù)提示詞“眼神專注自信地唱歌”，數(shù)字角色更呈現(xiàn)出自信的眼神、持麥的自然姿態(tài)，以及與觀眾互動(dòng)的微笑，生動(dòng)還原了歌手在舞臺(tái)上的表演狀態(tài)。

同時(shí)，憑借可靈視頻模型的強(qiáng)大能力，可靈AI數(shù)字人展現(xiàn)出優(yōu)秀的泛化性能，無(wú)論是寫(xiě)實(shí)人物、動(dòng)漫卡通、動(dòng)物形象，皆可生成高質(zhì)量數(shù)字人視頻。在卡通貓咪唱英文Rap的案例中，可靈AI精準(zhǔn)地捕捉音頻節(jié)奏，生成了一只一邊說(shuō)唱、一邊隨節(jié)奏自然搖擺身體的“Rapper貓”，跨越不同角色風(fēng)格界限，賦予角色生命力。

提示詞驅(qū)動(dòng)角色表演 情緒與動(dòng)作精細(xì)可控  

區(qū)別于僅“動(dòng)嘴皮”的數(shù)字人，可靈AI數(shù)字人還帶來(lái)了對(duì)情緒的深刻理解與表達(dá)，而且可通過(guò)提示詞精細(xì)化控制角色情緒與肢體語(yǔ)言，實(shí)現(xiàn)“有靈魂的表演”。

（可靈AI數(shù)字人視頻截圖）

在這個(gè)表現(xiàn)“憤怒”情緒的案例中，根據(jù)音頻內(nèi)容和提示詞“內(nèi)心全是氣憤，非常生氣”。模型精準(zhǔn)地將這種抽象情緒轉(zhuǎn)化為具體的面部微表情——緊鎖的眉頭、緊抿的嘴唇和充滿壓迫感的眼神，將角色的內(nèi)心怒火展現(xiàn)得淋漓盡致。

基于可靈AI視頻模型，依托多模態(tài)理解大模型與視頻生成模型的深度融合，可靈AI數(shù)字人突破傳統(tǒng)音畫(huà)同步的表淺擬合，首次實(shí)現(xiàn)從「聽(tīng)聲音」到「懂意圖」的跨越。在口型準(zhǔn)確度已達(dá)行業(yè)領(lǐng)先的基礎(chǔ)上，可精準(zhǔn)解析輸入的語(yǔ)音、圖像和提示詞，對(duì)長(zhǎng)視頻中數(shù)字人情緒、動(dòng)作與運(yùn)鏡作出精準(zhǔn)規(guī)劃，確保生成內(nèi)容緊密呼應(yīng)敘事意圖與情感脈絡(luò)，真正完成從對(duì)口型到情節(jié)演繹的升級(jí)。

技術(shù)驅(qū)動(dòng) 打造數(shù)字人行業(yè)標(biāo)桿

可靈AI數(shù)字人的卓越表現(xiàn)，得益于其背后多模態(tài)理解大模型與視頻生成模型的深度融合。通過(guò)音畫(huà)高度對(duì)齊的交叉注意力機(jī)制、強(qiáng)化口型的訓(xùn)練策略以及精細(xì)化的數(shù)據(jù)處理，實(shí)現(xiàn)了語(yǔ)音與唇形的精準(zhǔn)同步，即使面對(duì)多語(yǔ)種、歌唱或極快語(yǔ)速的臺(tái)詞，仍能保證唇形與發(fā)音嚴(yán)絲合縫。而采用關(guān)鍵幀控制的架構(gòu)，模型先構(gòu)建高層次敘事骨架，再并行生成多個(gè)片段的數(shù)字人視頻，可在保持身份一致的前提下，實(shí)現(xiàn)無(wú)限長(zhǎng)度視頻生成。

專業(yè)測(cè)試中，可靈AI數(shù)字人與行業(yè)知名產(chǎn)品Heygen及即夢(mèng)數(shù)字人（Omnihuman-1方案）進(jìn)行了效果對(duì)比。結(jié)果顯示，可靈 AI 數(shù)字人在整體效果及多個(gè)細(xì)分維度上均表現(xiàn)優(yōu)異，與即夢(mèng)數(shù)字人（Omnihuman-1 方案）對(duì)比的整體 GSB 得分達(dá)到 2.39，與 Heygen 對(duì)比的整體 GSB 得分達(dá)到 1.37，位居行業(yè)領(lǐng)先。

* GSB 指標(biāo)用于衡量群體意見(jiàn)的一致性和正負(fù)傾向，GSB 值越大，說(shuō)明模型優(yōu)勢(shì)越大

* 評(píng)測(cè)時(shí)間：Heygen于2025.08.25評(píng)測(cè)；即夢(mèng)于2025.07.22評(píng)測(cè)。

可靈AI作為全球領(lǐng)先的視頻生成大模型，自2024年6月發(fā)布以來(lái)已完成超30次迭代，用戶規(guī)模突破4500萬(wàn)，生成視頻數(shù)量超2億，為超過(guò)2萬(wàn)家企業(yè)提供API服務(wù)，覆蓋廣告、影視、游戲等多個(gè)領(lǐng)域。隨著可靈AI數(shù)字人的推出，將進(jìn)一步降低行業(yè)創(chuàng)作門檻、提升制作標(biāo)準(zhǔn)，推動(dòng)其在短視頻、電商直播、在線教育、企業(yè)服務(wù)等領(lǐng)域的規(guī)?；瘧?yīng)用。