milo.asia

数字人讲解视频

一张照片 + 一份文案，生成对口型的讲解视频。选一个渠道、填自己的 Key，生成直接打到对应服务商，钱花在你自己账户上——这一页只负责编排，不经手你的账户。

视频生成走你浏览器直连所选渠道的服务商，Key 只留在这台设备的内存里，不发到 milo.asia 的服务器。 一个例外：照片（阿里云渠道下还有配音音频）要先存成一个公网链接对方服务器才能读， 这一步在 milo.asia 自己的小型中转上完成；阿里云渠道的配音和视频生成接口都按 Workspace 分域名， 浏览器直连不通时会自动走同一个中转兜底（说明见页面底部），这条路径上 Key 会经过它，不落盘不写日志，转发完立刻丢弃，但既然经过就得说清楚。

① 账号信息

选一个渠道，价格摆在一起方便比。渠道之间互不影响，切换不会丢已经填的东西。

② 人物照片

清晰正脸，400–7000 像素，jpg/png/bmp/webp。会先上传到一个一小时后自动清空的临时存储，供所选渠道读取。

挑照片会实打实影响生成效果自然不自然（这条是经验建议，不是官方文档写的，官方没发过选图指南）： 正脸、五官清楚不被头发/口罩/墨镜挡住，光线均匀别有强逆光或阴阳脸，表情自然放松、嘴巴自然闭合别是大笑或张嘴的瞬间， 背景干净单人入镜，照片本身别模糊、别是截图二次压缩过的。

③ 文案

按标点自动切成多段分别生成再拼接——wan2.7-i2v 单次视频调用只收 15 秒以内的音频。

这 14 个是官方精品音色列表 里的，选了哪个会自动配对应该配的 model（「旗舰音色」灵心/鲁风配 tts-plus，其余配 tts-flash， 不用你操心），试听样音也是官方原版（拿自阿里云自己的文档站，不经过我们、不花钱）； 选"自定义"能手打其他音色 ID（官方还有 500 多个基础音色，没在这个下拉里，也没有试听样音）， 但没验证过配对关系，不对的组合会报 418
wan2.7-i2v 这个模式官方文档只写了支持 720P/1080P，没有 480P
预计时长 / 分段数
— 秒 · —段
预计花费（不含配音，配音很便宜通常几毛）
¥ —

④ 授权确认

完成

这次实际花费（视频生成部分，已经花出去了，不管下面拼没拼成功）¥ 0.00

这一页背后是什么

三个渠道用的模型和流程都不一样。阿里云百炼是 wan2.7-i2v（音频驱动 + 文本 prompt 引导表情动作）， 配音单独用 CosyVoice，因为它单次只收 15 秒音频，文案得先切段、每段单独生成，再用 ffmpeg.wasm 在浏览器本地拼接、烧字幕。百度曦灵是「照片数字人视频合成接口」，文案和配音（它内置 TTS）一次提交， 一整段直接出片。可灵 AI 是「数字人」接口，音频上限 300 秒，整篇一次合成不用切段，而且支持用文字 描述动作、情绪和运镜——这三家里只有它把「表情和手势」做成了正经参数。 ai-presenter-relay 是 milo.asia 自己那台服务器上一个几十行代码的小服务 （零依赖，纯 Node 内置模块），做的事：把你的照片和配音存一小时换成公网链接（这几家接口都只收链接、 不收直传文件，躲不开）；阿里云的配音和视频生成按 Workspace 分子域名，CORS 支不支持因账号而异， 直连不通时兜底转发一次。可灵是个例外：它的接口完全没开 CORS（实测预检直接被拒），浏览器没法直连， 所以选可灵时每一次调用都必须经过这台中转，Key 每次都会过一遍——不落盘不写日志、转完立刻丢弃， 但这跟另外两家「大多数时候不经过」不是一回事，得说清楚。百度的视频生成接口验证过能被浏览器直接跨域调用， 不用经过中转。这个页面本身不收集数据，没有统计代码。