百度一镜支持音频驱动数字人，需开通“音频驱动”权限、实名认证及企业审核；音频须为16kHz/单声道/16bit；调用API时需携带含scope=video_retalking的access_token，返回video_url需带Referer头下载。
☞☞☞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☜☜☜
你有一段录好的口播音频，想直接驱动百度一镜数字人做出精准口型，不经过TTS重生成、不手动调音素、不依赖网页拖拽——目标是把.wav或.mp3丢进去，API返回带对齐口型的视频帧序列或可合成视频流。
确认接口可用性与权限开通
登录百度一镜控制台 → 进入「数字人服务」→ 点击左侧菜单「API管理」→ 找到「音频驱动数字人」服务项。该接口默认关闭，【必须勾选「启用音频驱动」并完成实名认证+企业资质审核】，否则调用会返回403错误且无明确提示。
开通后，在「密钥管理」页复制Access Key ID和Secret Access Key，这两个值将用于后续签名计算，不可明文硬编码在前端代码中。
准备符合要求的音频文件
上传前必须确保音频满足三项硬性条件：采样率严格为16kHz（不是44.1k/48k）、单声道（Stereo会导致口型漂移）、位深度16bit。ffmpeg一键转码命令如下：
ffmpeg -i input.mp3 -ar 16000 -ac 1 -bits_per_sample 16 -y output.wav
注意：若原始音频含大量静音段（如停顿超1.2秒），建议先用Audacity或sox做语音端点检测（VAD）裁切，否则百度一镜会把长静音误判为“持续闭嘴”，导致后半段口型滞后。
构造HTTP请求体
方法一：使用官方SDK（推荐）
安装Python SDK：pip install baidu-aip
调用百度PaddleOCR‑VL大模型API，支持PDF、Word、PPT、图片等多格式文档解析，精准识别印刷体、手写体、表格、公式、图表、印章等复杂元素，支持100+语言，可处理不规则布局和跨页长文档。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。
初始化Client时传入access_token（非AK/SK），需先调用/oauth/token接口换取，有效期2小时；【token必须带scope=video_retalking】，漏掉此参数将返回“权限不足”而非具体错误码。
方法二：手写POST请求
请求地址：https://aip.baidubce.com/rpc/2.0/speech/tts/v1/audio2video
Header必填：Content-Type: multipart/form-data；Authorization: Bearer
Body字段：image（base64编码的数字人形象ID，非图片文件）、audio（二进制音频文件）、config（JSON字符串，必须含{"mouth_sync": true, "output_format": "mp4"}）
解析返回结果并获取视频
成功响应返回JSON，含task_id和status字段。status为“success”时，data.video_url为直链地址，有效期24小时；若为“processing”，需轮询GET /rpc/2.0/speech/tts/v1/task?task_id=xxx，间隔不得短于3秒，否则触发限频熔断。
下载视频时务必带上Referer: https://aip.baidubce.com，否则返回403 Forbidden——这是百度一镜CDN的防盗链策略，文档未明示但实测必需。
