数字人口播生成工作台 · HeyGem(Duix.Avatar)

1. 音色克隆（一次性，按说话人复用）

参考音频（mp3/m4a/wav，建议 10–60s 清晰人声） 检测到的参考文本（用于音色对齐，可稍后微调）

—

2. 形象视频（数字人长相/动作来源）

参考视频（mp4，正脸清晰、10–60s 效果最佳）

3. 单条口播生成

口播文案 你家里有没有这种情况——药箱一打开，满满当当，有些药都放了三年五年，舍不得扔。

4. 批量生成（同一音色 + 同一形象，每行一条文案）

每行一条口播文案

5. 历史成片