D-ID Creative Reality Studio 讓創作者、企業培訓師、教育工作者和行銷人員能夠運用生成式 AI，將單張靜態 2D 肖像轉化為完全動態且對嘴同步的影片解說員。透過結合深度學習臉部動畫與文字轉語音合成或預錄語音音軌，該平台免去了攝影機、燈光設備或真人出鏡拍攝的需求。本指南概述了將靜態肖像轉化為專業數位人解說影片的端到端工作流程，從挑選合適的來源圖片到設定語音控制並匯出最終成品。
為逼真動畫準備來源肖像
動態解說員的視覺品質與自然度直接取決於輸入的圖片。因為 D-ID 透過偵測臉部特徵點將嘴部運動、頭部傾斜和眨眼動作對應到相片上，所以原始圖片必須遵循特定的技術與構圖規範。
- 攝影機角度與取景： 使用正對鏡頭的人物大頭照，主體應直視攝影機鏡頭。輕微的四分之三視角可行，但正側面或極端的仰角/俯角會阻礙特徵點追蹤並產生不自然的扭曲變形。確保頭部與上肩完全在畫幅之內。
- 臉部表情： 選擇表情自然放鬆且閉嘴的相片。張嘴、露出牙齒或誇張的笑容可能會在動畫演算法嘗試於音素之間閉合雙唇時造成變形。
- 光線與對比度： 臉部兩側受光應均勻。避免強烈的方向性陰影、逆光剪影或鏡頭眩光。均衡的光線可確保在說話過程中皮膚紋理自然變形。
- 解析度與檔案規格： 圖片檔案必須為 JPEG 或 PNG 格式，檔案大小在 10 MB 以下。D-ID 要求頭部尺寸至少為 200 × 200 像素，不過使用高解析度肖像（1080p 或更高）能帶來更細緻的臉部細節和更清晰的邊緣輪廓。
- 需要避免的遮蔽物： 確保臉部沒有任何遮蔽。太陽眼鏡、厚口罩、低檐帽或遮蓋眼睛與眉毛的厚重瀏海，都會阻礙系統精準呈現視線方向和臉部微表情動畫。
Creative Reality Studio 逐步製作工作流程
來源肖像準備就緒後，整個影片製作過程均在瀏覽器端的工作室環境中完成。
1. 建立專案並選擇畫布比例
- 使用你的帳戶憑據登入 D-ID Creative Reality Studio。
- 點擊主控台左上方的 + Create video 按鈕以開啟影片編輯器。
- 選擇最適合目標發布管道的畫布長寬比：
- Wide (16:9)： 適合桌面螢幕、YouTube 影片、簡報展示和學習管理系統 (LMS)。
- Vertical (9:16)： 專為行動優先格式量身打造，例如 TikTok、Instagram Reels 和 YouTube Shorts。
- Square (1:1)： LinkedIn 動態與 Instagram 貼文的標準比例。
2. 上傳與調整解說員畫幅
- 在編輯器底部的 Presenter 面板中，點擊 + Add / Upload 按鈕，從本機儲存空間中選取準備好的肖像。
- 上傳完成後，肖像會出現在主畫布上。
- 在畫布框架內調整數位人的位置與大小。若你計劃在數位人旁展示文字疊加層、投影片或圖形，可以將解說員置中或放置在一側。
- 替代選項： 若沒有個人肖像，可以從 D-ID 內建的逼真解說員庫中進行挑選，或使用內建的生成式 AI 提示詞框合成一個全新的角色肖像。
3. 加入語音：文字轉語音 vs. 音訊上傳
D-ID 提供兩種不同的方式來驅動數位人的語音和嘴型同步：
Method A: 文字轉語音 (TTS) 腳本製作
- 切換至右側面板的 Script 標籤頁。
- 直接在文字區域輸入或貼上腳本。標準工作室方案每個場景支援最長 5 分鐘或約 700 字的腳本。
- 從 100 多種可用語言選項中選擇目標 Language 和地區口音。
- 從語音庫中選取 Voice，依性別和年齡特徵分類。點擊每種語音旁的揚聲器圖示以預覽發音與語調。
- 若所選語音模型支援，選擇合適的情感 Style（如 cheerful、empathetic 或 formal），以契合展示情境。
Method B: 自訂音訊上傳
- 若你擁有專業旁白、預先錄製的人聲配音或自訂複製語音，請切換至 Audio 標籤頁。
- 點擊 Upload your own audio 匯入 MP3、WAV、M4A 或 FLAC 格式的音訊檔案（最大 10 MB）。
- 你也可以使用工作室內的麥克風按鈕直接透過瀏覽器錄製音訊。
- D-ID 會處理音訊檔案的聲學波形，使嘴唇與下顎運動與錄音的節奏、停頓及音調變化保持同步。
4. 自訂背景與畫布版面
- 在 Background 設定下，選擇純色背景、挑選預設的抽象圖形，或上傳自訂背景圖片（如辦公室內部、品牌背板或教室場景）。
- 使用左側工具列上的 Text 工具新增標題、畫面下三分之一字幕條、重點項目清單或章節標記，以輔助解說員的解說。
5. 預覽並產生影片
- 在消耗算力額度之前，使用腳本面板中的音訊預覽按鈕試聽時間節奏與發音。
- 點擊右上角的 Generate video 按鈕。
- 隨後會出現確認對話方塊，顯示：
- 產生片段的預估長度。
- 算力渲染所需的點數（credits）。
- 點擊 Generate 確認。渲染引擎將在雲端處理影片，應用深度神經網路合成連貫的嘴型動作、點頭與眨眼。
6. 匯出與管理影片資產
- 處理完成後，製作好的影片會出現在你的 Video Library 中。
- 將游標懸停在影片卡片上，點擊三點選單圖示，然後選擇 Download 將影片儲存為 MP4 檔案。
- 或者，使用內建的分享選項複製直接觀看連結，或產生用於網頁的嵌入程式碼。
實現自然動畫與音訊同步的最佳實踐
為了獲得高品質效果並避免恐怖谷效應，建議運用以下實用剪輯技巧：
- TTS 中的標點與節奏控制： 文字轉語音引擎將標點符號解讀為停頓與語調起伏。使用逗號實現自然的短暫換氣，句號表示句尾停頓，省略號表示沉思。若專業術語或品牌名稱發音不準，請在腳本中以注音或拼音方式拼寫。
- 清晰的音訊錄製： 使用上傳音訊時，確保音軌沒有背景噪音、殘響和爆音。背景音樂或重疊的人聲雜音可能會干擾音素辨識演算法，導致嘴部運動紊亂。
- 保持姿勢與光線一致： 若將包含同一位解說員的多個場景拼接在一起，請使用完全相同的底圖相片和長寬比，以確保剪輯畫面的視覺連貫性。
點數消耗、授權與使用考量
- 依時長扣除額度： D-ID 根據影片時長計算生成成本，每次渲染均無條件進位至最接近的 15 秒區間。例如，一段 16 秒的片段與一段 30 秒的片段扣除相同數量的點數。將內容劃分為緊湊、結構嚴謹的片段有助於最佳化帳戶餘額。
- 浮水印與訂閱方案： 免費試用帳戶會在畫面角落和數位人身上包含明顯的浮水印。商業方案將移除平台浮水印，並解除更高解析度匯出與更長腳本字數的限制。
- AI 倫理與內容審核： D-ID 採用自動化安全過濾器來防止生成深度偽造（deepfakes）、政治虛假訊息和未經授權的人物肖像。請務必確保你擁有將任何可識別個人肖像轉化為動畫的合法權利或授權同意。