小云雀AI可精准克隆声音并驱动数字人口型同步：需用16kHz单声道WAV干音录制含丰富音素的10～15秒语音；上传训练后生成声音模型；文本转语音时禁用特殊符号；支持自动/手动/TextGrid三种口型对齐方式；最终导出高清MP4。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想用小云雀AI快速克隆自己的声音并驱动数字人说话，让口型和语音严丝合缝对上，不是调参碰运气，而是按步骤精准控制。
准备高质量录音素材
录制一段10～15秒、无背景音、语速平稳的干声音频，必须用手机原生录音App或专业录音软件（如Audacity），采样率设为16kHz、单声道、WAV格式。MP3会引入压缩失真，小云雀模型训练时无法收敛——【WAV是硬性要求，MP3上传后直接报错】。
读稿内容要包含“啊、哦、咿、呜、啧、吧、哒”等元音+辅音组合，避免纯数字或专有名词。这一步决定克隆音色的泛化能力，念“今天天气很好”不如念“阿婆把布铺在坡上”效果好。
在小云雀平台完成声音克隆
登录小云雀控制台 → 进入「声音实验室」→ 点击「新建声音」→ 上传WAV文件 → 填写声音名称（支持中文）→ 点击「开始训练」。
训练耗时约3～8分钟，期间页面不可关闭或刷新。训练完成后，系统自动生成一个带唯一ID的声音模型，状态显示为「已就绪」。
点击该声音右侧的「试听」按钮，播放合成语音验证音色还原度。若明显发闷、断字或带机械感，说明原始录音有环境噪或气流音，需重录。
导入脚本并生成语音
进入「数字人工作台」→ 新建项目 → 在「语音输入」区域粘贴文本（支持最多2000字），或直接上传TXT文件。
小云雀AI (Windows) 1.0.37版重点优化Windows端运行性能与生成稳定性，升级Seedance 2.0视频模型与Seedream图像生成能力，新增智能分镜自动排版与脚本联动生成机制，强化“爆款视频复刻”和数字人口播效果，提升批量生成效率，让用户在Windows端实现更高效的AI短视频与图像内容生产。
下拉选择刚训练好的克隆声音 → 点击「生成语音」→ 等待进度条走完 → 下载生成的WAV语音文件。
注意：文本中不要含emoji、特殊符号或全角标点，否则会导致部分字词跳读或静音异常。
驱动数字人口型同步
方法一：自动对齐（推荐新手）
上传上一步生成的WAV语音 → 小云雀自动运行ASR+音素切分 → 生成唇动关键帧序列 → 绑定至选定数字人模板 → 点击「渲染视频」→ 输出MP4。
方法二：手动微调口型时间轴
在「口型编辑器」中打开已生成的语音轨道 → 拖动波形查看每个音节起始位置 → 找到“b/p/m/f”等双唇音段落 → 将对应帧的口型参数从「默认」改为「Bilabial_Strong」→ 保存后重新渲染。
方法三：导入外部音素标注文件
用Praat导出TextGrid音素对齐文件（.TextGrid格式）→ 在口型编辑器点击「导入音素」→ 选择该文件 → 系统将严格按标注驱动口型动作。这一步能解决“t/d/n/l”等齿龈音口型偏软的问题，但要求TextGrid里必须包含「sil」「spn」「vowel」「consonant」四类标注标签。
导出最终数字人视频
第一步：确认画布尺寸为1080×1920（竖屏）或1920×1080（横屏），数字人模板已加载完毕且无遮挡元素。
第二步：检查语音轨道与口型轨道完全对齐——拖动时间轴到“啊”“哦”等强元音处，观察数字人嘴唇是否同步张大；若滞后超过3帧，返回上一步调整音素偏移量。
第三步：点击右上角「导出」→ 选择「高清MP4（H.264）」→ 分辨率选「原画质」→ 勾选「嵌入音频」→ 点击「开始渲染」。
渲染完成即自动下载，文件名默认为“project_时间戳.mp4”，可立即用于短视频发布或会议演示。
