事情从一个紧急需求开始
九月初的一个周四下午，市场部同事突然在群里@我：”周五客户要看产品介绍视频，口播的那种，人呢？”
按常规流程，这事儿得走四步：找配音演员、约拍摄档期、租场地录棚、剪辑出片。最快也要一周，而现在距离交付只有不到二十四小时。我盯着屏幕愣了几秒，突然想起之前收藏过 HeyGen 的链接——那个号称”输入文字就能生成真人数字人口播”的工具，一直没机会正经用一次。
那天晚上，我决定拿这个紧急需求当实验品。反正最坏的结果也就是被客户毙掉，但传统方案连上桌的资格都没有。
第一次上手：比想象中简单，也比想象中挑剔
注册 HeyGen 后我直奔主题，选了”照片数字人”路线：上传一张半身正面照，照片来自公司之前拍的形象照素材库。
第一个坑出现在照片选择上。我随手挑了一张侧光比较重的照片，生成出来的人物面部一半亮一半暗，看着像悬疑片现场。换了一张光线均匀的正面照之后，效果立刻正常了。这里给个实在建议：照片的光线、角度、分辨率，直接决定数字人的观感上限。
第二步是写口播稿。产品介绍大约 400 字，我按”痛点—方案—三个卖点—行动号召”的结构写完，粘贴进文本框。HeyGen 的语音合成支持中文，我选了一个成熟男声，语速调到中等偏慢——口播视频语速太快显得急躁，慢一点反而有专业感。
点击生成，大概等了五分钟，视频出来了。
效果出来那刻，我盯着屏幕看了十秒
说实话，第一版的效果超出了我的预期，但也没有”以假乱真”那么夸张。
好的部分：口型对得相当准，中文发音自然，没有那种机器读稿的顿挫感；人物动作有轻微的头部摆动和眨眼，不是死板的证件照。不足的部分：手势动作偏少，整段视频人物基本是”上半身稳如泰山”的状态，少了点真人主播的感染力。
我发现 HeyGen 其实提供了手势库，可以在特定句子加上预设动作。于是第二版我给”三个卖点”那一段各加了一个手势，又把背景从纯色换成了渐变的办公场景，加上字幕。第三版的效果，已经可以让市场部同事看不出是 AI 做的了。
晚上十一点，视频发进群里。第二天客户那边反馈：视频挺专业，就是想问出镜的”老师”是谁，能不能谈个长期合作。
我把这个反馈原样转给了同事，群里的表情包刷了一整屏。
复用指南：这套流程可以抄
复盘那次急救经历，我把流程压缩成了可以直接复用的四步：
- 备好素材：一张光线均匀、正面、肩部以上的半身照，分辨率越高越好
- 写好口播稿：每分钟 220 字左右为宜，长句拆短，方便数字人换气和加手势
- 先糙后精：第一版只管”对不对”，第二版再加手势、换背景、上字幕，别想着一步到位
- 控制时长：单条口播视频 60 到 90 秒完播率最高，长内容拆成系列
价格方面，HeyGen 免费版每月有三个视频额度（带水印），创作者计划大约 29 美元一个月，够做十几条中等时长的视频。对内容团队来说，比起真人出镜的拍摄成本，这笔账很容易算清楚。
用完之后，我在想什么
那天之后，我们团队的小型口播需求基本都走了 HeyGen：产品更新速报、活动预告、知识科普。真人出镜被保留给了品牌宣传片和深度访谈——那是数字人目前还替代不了的信任感。
我后来想过一个问题：当”出镜”这件事的成本趋近于零，观众会不会反而更珍惜”真人在场”的内容？可能有这个趋势。但这不影响数字人的价值定位——它是效率工具，不是信任工具，各管一段。
工具能不能帮你救急，试过才知道。下回你再遇到”明天就要口播视频”这种需求，至少知道有条路可以走了。
