可灵AI支持多图参考生成专业口播视频：上传4张合规图片（人像、场景、道具、表情），配结构化提示词，选视频1.3模型，上传3～8秒语音，设9:16比例与10秒时长，开启高品质或标准模式，导出前须验证口型同步。
☞☞☞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☜☜☜
想用可灵AI快速生成一段专业感十足的口播开场视频，又不想真人出镜、不依赖绿幕拍摄，只需上传多张参考图并精准配置提示词，就能让数字人稳稳站在你设定的场景中开口说话。
准备符合要求的多图素材
打开电脑版可灵AI，进入【视频生成】→【图生视频】→【多图参考】页面。系统最多支持上传4张图片，每张必须是JPEG或PNG格式、尺寸不小于300px、单张不超过10MB。
第一张图建议为数字人正面半身照（无遮挡、光线均匀），第二张图为背景场景图（如书架前、简约办公室、虚拟演播厅），第三张可选道具图（如手持话筒、平板电脑），第四张可留空或补一个特写表情——这一步直接决定口播时人物神态是否自然，【切勿上传自拍合照或多人合影，AI会混淆主体】。
写好能被AI准确理解的提示词
在提示词框中输入一句结构清晰、主谓宾明确的指令，例如：“图一的知性女性讲师站在图二的现代书房中，手持平板讲解，面带微笑，语速适中，电影感柔光。”
避免使用“看起来很专业”“氛围感强”这类模糊表述；必须点明动作（站立/手持/讲解）、状态（微笑/直视镜头）、风格（电影感/高清访谈/轻综艺）；若需强调口播属性，务必加入“正在口播”“面向镜头讲话”等动词短语。
配置口播专属参数
第一步：模型必须选【视频1.3】，其他模型不支持多图参考下的语音驱动逻辑；
第二步：在音频设置中开启【音效】开关，并上传一段3～8秒的真人录音或TTS语音文件（MP3/WAV格式），这是驱动数字人口型同步的核心依据；
第三步：勾选【高品质模式】（仅限会员），非会员请选择【标准模式】+【10秒】生成时长——【5秒太短，不足以完成完整口播开场语，易被截断】；
第四步：生成比例设为9:16（竖屏口播刚需），生成条数选1条即可，避免资源浪费。
生成后立即检查口型与画面匹配度
视频生成完成后，先不导出，直接点击预览播放键，重点观察0～3秒内数字人嘴唇开合节奏是否与语音波形严格对齐。
若出现明显不同步（比如语音已开始但嘴没动，或语音结束嘴还在动），说明音频采样率不兼容或提示词未强调“正在讲话”，此时需重新上传音频并勾选【强制口型同步】开关（位于高级设置折叠栏内）；
确认无误后，点击【导出】按钮，分辨率保持1080P默认值，关闭【压缩上传】，开启【高清渲染】，完成输出。
