create-ai-avatar

创建 AI Avatar

HeyGen API · ElevenLabs · ffmpeg。 脚本使用纯 Node 20 和 bash 编写，无需安装软件包。

你的 Avatar 由三部分组成，每部分都取自最合适的来源。面部和动作来自你自己的录像（HeyGen 数字分身）。声音是你在 ElevenLabs 上克隆的声音，并制成音频文件。一个引擎将两者进行口型同步。然后，你要在最容易看出相似度差异的地方评判结果：近距离看嘴部，并与真人的嘴部并排比较。

适用范围。 制作没有人物出镜的影片，请使用 html-explainer-video；将你用手机拍摄的真实片段剪成短视频，请使用 html-reel。如果你希望屏幕上的人物是你本人，说出你没有录制过的话，就使用此技能。

来源。 该流程于 2026 年 11 月使用创作者自己的数字分身构建。数字分身使用一段 YouTube 视频中的眼神交流片段进行训练（2 分 48 秒），声音则来自他在 ElevenLabs 上使用 v4 制作的克隆。三种引擎都生成了同一段 8.8 秒的台词，创作者根据嘴部表现选出了最佳结果。演示展示了四位用单张肖像制作的 HeyGen 照片 Avatar，因此展示的都不是真人录像。

工作原理

将面部、声音和口型同步分开处理，并且每次只更改其中一项。 数字分身只需训练一次。声音先制成文件，你可以在它被用于其他地方之前先听一遍。一次渲染由数字分身和该音频文件在一个引擎上生成。出现问题时，你就能判断应该更改哪个部分。比较不同引擎时，始终使用相同的台词和音频：更换台词会让你看不出引擎的实际表现。

HeyGen 无法通过 ElevenLabs 声音的 id 使用该声音。 先在 ElevenLabs 上生成台词（scripts/voice.mjs），然后将音频作为 audio_asset_id 或 audio_url 发送给 HeyGen，而不是使用 script 和 voice_id。视频时长与音频相同，最长可达 30 分钟。

通过嘴部表现来评判。 看完整画面时，每个引擎的效果都不错。从每个渲染结果和真人录像中截取六个时刻的鼻尖至下巴区域，并排列在一起（scripts/mouths.sh）。然后观察嘴唇的拉伸幅度、露齿程度、嘴唇颜色和嘴角变化。

制作 Avatar 的三种方式

	数字分身	照片 Avatar	会说话的照片
素材来源	15 秒至 10 分钟的录像，约 2 分钟效果最佳	一张照片	一张照片
初始成本	约 $2.13 的训练费用，另需授权	约 $1.32	免费
引擎	Avatar V、IV、III	Avatar V、IV、III	仅 Avatar IV
动作表现	像你本人：你的头部动作和习惯	由引擎想象	由引擎想象
适用场景	任何必须以假乱真的场景	使用 Avatar V 根据肖像制作主持人	一句简短台词

三种方式都可以使用你的音频。请从 Avatar V 开始：这是 HeyGen 最新的引擎，也是此处的默认选择。根据嘴部表现来评判；如果它把你熟悉的那个人演得过于夸张，就改用 IV 或 III。Fil 的 Create AI avatar 工作流就是照片 Avatar：将你的照片和声音接入 HeyGen Avatar V。

工作流

1. 挑选素材（references/footage.md）。选用你最好的出镜片段：只有你一人，始终面向镜头，脸全程在画面中，环境安静，分辨率为 1080p。自然说话两到三分钟即可。与镜头有眼神交流的片段最好。每个片段只下载一次，然后用 bash scripts/prep-footage.sh footage.mp4 take-*.mp4 将它们合并。
2. 上传。 node scripts/upload.mjs footage.mp4 可直接上传最大 200 MB 的文件，并将资源 ID 保存在文件旁边。
3. 训练。 先说明价格（$2.13）和钱包余额。然后运行 node scripts/train.mjs --footage <asset_id> --name "Ada · March takes"，几分钟即可完成训练。新角色会获得一个同意链接：素材中的本人须在 24 小时内打开链接并录制一段简短声明。只有角色外观状态为 completed 且同意状态为 accepted 后，数字分身才能生成视频。要为同一个人添加新素材，请传入 --group。
4. 制作台词。 运行 node scripts/voice.mjs "<one line, about 25 words>" line.mp3 --voice <your clone>。听一遍，然后用 node scripts/hear.mjs line.mp3 检查其中的文字。
5. 用 Avatar V 为这句台词生成视频，不使用动作提示词：node scripts/render.mjs --look <look_id> --audio line.mp3。要进行比较，也用 --engine avatar_iv 和 avatar_iii 为同一句台词生成视频。每次生成都会先显示价格，再显示钱包余额。如果要用肖像而不是视频素材：通过 POST /v3/avatars { type: 'photo' } 创建照片 Avatar（references/heygen.md），然后用同样的方法为其外观生成视频。
6. 评判。 运行 bash scripts/mouths.sh mouths.jpg footage.mp4 twin-avatar_v.mp4 twin-avatar_iv.mp4 twin-avatar_iii.mp4，并将各个生成结果并排播放，同时播放声音。在说出哪个最好之前，先把所有结果都给本人看：那是他们的脸（references/judging.md）。
7. 用本人选中的版本制作正式台词，并记下相关 ID：外观、分组、声音和引擎。

规则

每条规则都说明了它能避免的问题。

• 生成视频前，确认脸和声音的对应关系。 有一次，两个照片 Avatar 的 ID 被调换，导致四个生成结果都把一张脸配成了另一个人的声音。每个文件都用对应人物的名字命名，并在每次生成前检查外观的 name。
• 生成新视频时，必须使用新的 Idempotency-Key。 有一次，重复提交生成请求时用了第一个视频的密钥，HeyGen 返回了第一个视频。render.mjs 会根据主体和音频生成密钥。
• 嘴部动作过度时，换引擎，而不是改提示词。 在 Avatar V 上，嘴唇张得很开，上下两排牙齿都露了出来。motion_prompt 和 more_blinking 几乎没有改善；Avatar IV 和 III 解决了这个问题。
• expressiveness 仅适用于 Avatar IV 的照片 Avatar。 Avatar V 不支持该参数，数字分身也不支持。
• 平静地朗读胜过刻意表演。 使用 stability-0 并加上 [excited] 和 [laughs] 的朗读，听起来反而没有默认声音像创作者本人。先保持平静，只有在脸部效果合适后才调整声音。
• 数字分身的清晰度不会高于其素材。 降至 720p 的片段生成了 1280×720 的外观。请使用 1080p 素材进行训练。
• 每次付费调用前，都要说明价格和钱包余额。 钱包是账户共用的，同一密钥下的其他操作也会从中扣款。有一次，余额比数字分身和一次视频生成的费用总和多减少了 $1.76。
• 同意授权属于特定分组和特定个人。 绝不要把其他人的素材加入某个分组，也绝不要训练未同意的人。HeyGen 不会对照片进行同意检查，因此你有责任取得本人的同意。
• 每个源文件只下载一次，然后使用本地文件进行处理。 绝不要循环对签名链接运行 ffmpeg。
• 训练也会克隆声音。 HeyGen 会根据素材创建 default_voice_id，并将其作为独立资源。只有在 ElevenLabs 克隆声音不可用时才使用它。删除数字分身不会删除该声音。
• 手部动作可能不自然。 Avatar IV 会做手势，有一次生成结果里的拇指看起来像橡胶。使用片段前，请完整检查一遍画面。

同一段台词下，同一个双胞胎分身的不同引擎

引擎	每秒费用	嘴部表现	其他表现
Avatar V	$0.12	嘴唇张得很开，露出上下两排牙齿，嘴唇更红	磨皮效果；最爱凭空生成细节
Avatar IV	$0.0805	张口较小且圆润，偶尔露出上排牙齿	会做手势；创作者认为它最适合自己的脸
Avatar III	$0.01	最接近真人：张口较小，唇色自然	保留你真实的头部动作；版本最旧，因此要靠听感检查同步情况

这是同一场会话中同一张脸的表现，因此请自行判断：这就是第 6 步存在的原因。

数据

• 素材：15–600 秒（约 2 分钟效果最佳），长边 640–4096 px，格式为 mp4 或 webm，仅限一人，直接上传最大 200 MB。
• 训练：约 $2.13；2 分 48 秒的素材约需 4 分钟。照片分身：约 $1.32，约 10 秒即可生成。
• 同意链接：有效期为 24 小时。
• 台词：约 25 个词，8–10 秒；所有引擎使用相同音频。
• 一段 8.8 秒的视频渲染费用：Avatar V $1.05、IV $0.71、III $0.09；每段需 2–3 分钟。
• 音频：格式为 mp3 或 wav；作为素材时最大 32 MB，每段视频最长 30 分钟。
• 嘴部对比图：每行 6 个时刻，取自 1920 像素宽的画面，裁剪框为 420 × 300，并移动位置以适应人脸。

文件

• references/footage.md：挑选、拼接和检查素材片段
• references/heygen.md：脚本调用的所有 HeyGen 接口及其响应
• references/judging.md：嘴部对比图、观察要点以及向当事人展示的方式
• scripts/keys.mjs：从环境变量或 .env.local 获取密钥，并创建 HeyGen 客户端
• scripts/prep-footage.sh、upload.mjs、train.mjs、consent.mjs、voice.mjs、hear.mjs、render.mjs、mouths.sh、balance.mjs
• demo/index.html：4 位演示者使用 Avatar V 生成的单张肖像分身；其中 1 位使用全部 3 种引擎，并附有嘴部对比图

密钥：HEYGEN_API_KEY、ELEVENLABS_API_KEY 和 ELEVENLABS_VOICE_ID（你的克隆音色），从环境变量或 .env.local 获取。它们绝不会被打印出来。