在為社群平台製作口播影音（Talking Avatar）時，創作者與行銷團隊往往面臨兩難困境：傳統文字轉語音工具產生的臉部神情僵硬死板，而傳統 3D 動畫與動態捕捉工作流又過於耗時且成本極高。Hedra 透過音訊驅動的臉部表現力模型（如 Character-3）與多格式畫面比例支援，精準解決了這項挑戰。無論是針對 TikTok、Instagram Reels 的 9:16 直式影音，還是針對 YouTube 與官網的 16:9 橫式長片，創作者只需匯入清晰的自訂旁白音軌，便能驅動數位人展現細膩的唇形同步、微表情與自然頭部動態。
本文將完整拆解在 Hedra 中準備音訊、配置畫面尺寸並生成高表現力口播影片的操作步驟與關鍵實踐。
一、選擇適合的工作流：Hedra Agent 與手動 Avatar 模式
Hedra 提供了兩種建立數位人影片的途徑，適應不同的控制與協作需求：
-
Hedra Agent（對話式工作區）：
- 位於 Hedra Spaces 內，扮演具備視覺理解能力的 AI 製作助理。
- 可直接使用預設的 presenter 或 ugc Skill，亦可直接以自然語言撰寫創作摘要。
- 直接在對話框中附上角色圖與音訊檔案。智能體能根據提示微調構圖、語氣和動態節奏，非常適合快速構思概念與多輪微調。
-
手動 Avatar 模式（直覺參數面板）：
- 路徑：Manual tools → Video，在模式中選取 Avatar。
- 在已篩選的模型清單中指定特定模型（例如 Character-3）。
- 在專屬插槽中分別上傳肖像圖片與自訂音訊檔案。
- 手動設定精確的畫面比例（9:16、16:9、1:1）、解析度、影片長度與批次生成數量。適合標準化社群影音管線與量化生產。
二、自訂音軌的準備標準與匯入技巧
在 Hedra 的神經網路架構中，音訊不單是背景聲音，更是整段表演的指令核心。數位人的唇齒咬字、肌肉牽動、呼吸節奏與眼神動態，皆直接由音軌的波形頻率、語氣重音與停頓長度推算而來。
音訊準備的核心原則
- 純淨無雜音：務必使用清晰的人聲乾音，去除背景音樂、環境噪音、回音或過載爆音（Clipping）。高純度的聲音是生成精準唇形的前提。
- 自然的呼吸與停頓：逼真的說話過程一定包含語句間的微小停頓。留白能讓虛擬角色的嘴部在句尾自然閉合放鬆，避免持續開合帶來的非人感。
- 富含情緒起伏：語音中的重音、疑問上揚或熱情語氣，會連帶驅動角色的挑眉與視線轉移，比平鋪直敘的機械播報更具說服力。
音訊匯入方式
- 上傳本機音訊檔案：在 Manual tools → Video → Avatar 的音訊欄位中點擊上傳，完整支援 MP3、WAV、M4A 等通用格式。在 Agent Space 則可直接將檔案拖曳至對話視窗。
- 利用內建語音工具生成：若手上暫無外錄音檔，可開啟 Manual tools → Speech。輸入腳本文字，試聽並挑選合適的聲音模型，於 Synthesis settings 中調整參數。輸入
/即可在文字中插入情緒（emotion）、反應（reaction）、能量（energy）或停頓（pacing）標籤，生成滿意的語音後直接傳入 Avatar 流程。
三、社群行銷的畫面比例設定指南
不同的社群媒體容器對長寬比有嚴格規範。若在生成後粗暴裁切，往往破壞構圖平衡。Hedra 支援在生成前原生定義畫面比例：
| 畫面比例 | 適用主流平台 | 典型應用情境 | 構圖取景建議 |
|---|---|---|---|
| 9:16（直式） | TikTok、Instagram Reels、YouTube Shorts | 創作者短影音、UGC 口碑廣告、產品開箱 | 半身人像；頭部上方預留安全邊界，避開平台介面圖示與字幕覆蓋區。 |
| 16:9（橫式） | YouTube 長片、官方網站展示、教學簡報 | 深入評測、品牌形象宣講、線上研討會 | 中近景或演播室置中構圖，提供舒適的大螢幕觀影空間。 |
| 1:1（正方形） | Instagram Feed、LinkedIn 動態、Twitter/X | 專業知識卡片、B2B 更新、社群資訊流動態廣告 | 頭部至胸部特寫，居中配置，確保行動裝置滾動時第一時間抓住眼球。 |
如何配置比例參數：
- 在手動模式中：在右側面板的 Aspect Ratio 下拉選單中勾選 9:16、16:9 或 1:1，選擇輸出解析度（如 720p 或 1080p），確認長度符合音訊時長後點擊生成。
- 在 Agent 對話中：在提示詞中明確加入比例要求，例如：
「使用這張人物圖片與音軌，製作一段 9:16 直式口播影片，構圖如同自然手持手機自拍，角色眼神專注看鏡頭。」
四、角色參考圖片的挑選規範
高質量的視覺輸入是產生逼真表演的基石。請遵循以下標準挑選人物肖像：
- 正面朝向且光線明亮：盡量選用面向鏡頭、雙眼與嘴部清晰可見的清晰肖像。過大的側面角度或強烈陰影可能導致咬字時產生偽影。
- 臉部避免遮蔽物：避免大面積瀏海覆蓋眼睛、雙手摸臉、配戴反光墨鏡或麥克風擋住下巴。
- 多元視覺風格：不論是真實人物攝影、3D 渲染角色、插畫風格人物或品牌虛擬吉祥物，Hedra 都能賦予其流暢的說話表情。
- 主體比例適中：臉部需在畫面中佔據清晰且適當的比例，避免過於遠景的照片導致臉部關鍵像素不足。
五、專業影片製作的四步驟流程
- 第一步：3 到 5 秒短音訊先行驗證
在大規模生成前，先剪輯一段 3~5 秒最具情緒起伏的聲音進行試跑。確認嘴型開合、眼神流轉與頭部晃動是否貼合品牌調性。 - 第二步：依指定比例執行全量生成
確認滿意後，匯入完整長度的語音，鎖定目標比例（如 Reels 專用的 9:16），點擊 Generate 啟動生成。 - 第三步：檢視唇齒音咬字與真實感
仔細檢查爆破音（B、P）與唇齒音（F、V）的對齊程度。若覺得動作過於拘謹，可透過提示詞補充細微肢體指令。 - 第四步：進入 Composer 剪輯台進行後製
切換至 Manual tools → Edit Video（Hedra 的 Composer 時間軸編輯器）。將生成完畢的影片軌與背景音樂、產品實拍空鏡（B-roll）、字卡與音效結合，一鍵導出最終投放成片。
六、方案選擇、點數計算與商業授權
對於定期產出社群內容的團隊，Hedra 的訂閱架構具備高度透明性：
- Free Plan（免費方案）：提供試用額度，影片帶有浮水印。
- Basic Plan（$20/月）：每月包含 2,000 點數，具備商業使用授權（Commercial use）。
- Pro Plan（$50/月）：每月包含 7,200 點數，生成速度更快，適合高產出團隊。
- Ultra Plan（$100/月）：每月包含 18,000 點數（可選配至 57,600 點數/月），最高生成優先權，並支援 Teams 協同作業。
- 按秒計費機制：點數扣除完全依照生成的實際秒數計算（例如生成 10 秒影片只扣 10 秒點數，不強收整分鐘），大幅減少調整期間的點數浪費。
結語
結合 Hedra 強大的音訊驅動引擎與多畫幅支援，行銷人員與創作者能以極低的時間成本，將錄音檔與單張人物照片轉化為高品質的社群口播影片。藉由維持純淨的音訊品質、挑選無遮擋的正面肖像，並在生成前精確設定 9:16 或 16:9 比例，團隊便能輕鬆規模化佈局各大主流社群頻道。