d-id-avatar-video

D-ID 虚拟形象视频制作

在所选提供商为 D-ID，或用户需要 D-ID 对话虚拟形象、照片转口播视频、主持人片段、表情丰富的虚拟形象、交互式视觉 Agent、实时虚拟形象流，或由 D-ID 驱动的本地化／支持／培训工作流时，使用此技能。

不要把 D-ID 当作通用电影级视频生成器。它主要用于真人主持人视频：人脸或主持人通过口型同步朗读文本或音频。对于需要物体交互、产品操作、全身动作编排、多镜头叙事动作或电影级摄像机运动的场景，请使用更全面的视频生成或合成工作流，并仅将 D-ID 用于主持人片段。

此技能中的信息已于 2026-07-10 对照 D-ID 官方文档和政策核实。在面向用户承诺价格、已启用的模型、支持的语言、审核类别、端点架构或套餐限制前，请重新查看最新文档。

编写脚本前先选择 D-ID 方案

根据交付成果选择方案，不要凭习惯决定：

需求	D-ID 方案	适用场景	不适用场景
指定的静态肖像开口说话	V2 Photo Avatar / Talks API (POST /talks)	用户提供或拥有清晰的人脸图像；个性化比身体动作更重要。	人脸分辨率低、朝向侧面、看起来像名人，或授权情况不明确。
精致的素材库主持人开口说话	V3 Pro Avatar / Clips API (POST /clips)	营销、学习、入门引导、支持片段或品牌解说需要全高清主持人视频和自然的主持人动作。	用户需要特定人物的身份形象。
可重复使用的自定义视频虚拟形象	创建 V3 Instant Avatar 或 V4 Expressive Avatar	主体可以完成同意验证，且项目需要使用同一个自有虚拟形象制作多段视频。	没有同意视频或源素材质量差。
富有表现力的情绪和新一代虚拟形象行为	V4 Expressive Avatar / Scenes API (POST /scenes)	需要情绪／情感表达、更真实的面部细节、富有表现力的培训／支持／销售主持人，或 V4 Agent。	简单的一次性照片转视频片段已足够。
实时对话	D-ID Agents、Agents SDK、Streams API、Embed SDK	交付成果是网站／聊天／支持／培训 Agent，能够通过 WebRTC／LiveKit 实时响应并驱动虚拟形象。	交付成果仅为完成的 MP4 文件。
批量个性化	根据用户使用的工具选择 D-ID API jobs 或 Studio campaigns	销售拓展、入门引导、L&D 证书、课程反馈或本地化变体需要制作多段相似视频。	每段视频都需要定制剪辑或不同的视觉设计。

官方文档介绍，D-ID 视频 API 支持根据图像、文本和音频生成虚拟形象视频，主要视频系列包括 V4 Expressive Avatars、V3 Pro Avatars、V3 Instant Avatars 和 V2 Photo Avatars。V2 Talks 端点可将源照片转换为会说话的虚拟形象；V3 Clips 端点使用主持人虚拟形象，并可选配驱动素材；V4 Scenes 使用已创建的虚拟形象。来源：D-ID Quickstart、Create a talk、Create a clip、Create a Scene，核实日期：2026-07-10。

生产前检查

在进行任何付费或不可逆的生成操作之前：

1. 确认 D-ID API 密钥和额度。D-ID 的常见问题解答指出，API 密钥在 Studio 中生成，且需要有可用额度；API 提供 GET /credits，用于查询剩余和总额度项。已于 2026-07-10 核实。
2. 确认商业使用权和方案限制。根据 D-ID 条款，试用版或访客生成的内容可能带有水印，或仅限非商业用途；付费方案会影响水印、使用量和额度。在用户的方案允许之前，不要承诺可用于商业用途。
3. 确认人物／肖像权。涉及任何真人时，须获得其明确许可，才能将其图像、声音和肖像用于预期的输出内容、受众和时长。
4. 确认输入内容是否可能包含个人数据。D-ID 的隐私政策指出，照片、文本、音频、视频、语音克隆数据和账户数据可能会被处理；尽量减少不必要的个人数据。
5. 选择文本转语音还是外部音频：
   • 使用文本脚本进行快速迭代、本地化，并简化数据保管。
   • 如需保留准确时序、预先批准的旁白、人工录音或外部 TTS 语音，请使用音频脚本。
6. 确定数据保管方式：输入文件存放在哪里、使用 result_url 时 D-ID 应将结果写入何处、Webhook 接收位置，以及下载后最终 MP4 文件和元数据的存储位置。
7. 在生成前制定 QA 检查清单，让团队明确“合格”的标准：身份许可、面部适配度、口型同步、发音、字幕、内容安全、品牌语气、分辨率、水印／合成标记，以及最终文件的保管方式。

输入准备

V2 Photo Avatar / Talks 的源图像

使用一张正面、光线充足且面部清晰可见的图像。裁剪时采用稳定的头肩构图，并在下巴和头发周围留出空间。避免极端侧脸、严重遮挡、太阳镜、张嘴、前景杂乱，以及未经许可可能让人误以为是真人的图像。

生产经验：

• 确保面部细节足以支持特写呈现。与其寄希望于 D-ID 修复过小的面部，不如先放大图像或换一张照片。
• 保留自然的皮肤纹理；过度美化可能导致嘴唇／脸颊的动作显得怪异。
• 用于商务、支持、教育和本地化场景时，优先选择表情中性或略带微笑的图像。源图像中强烈的情绪会降低动作范围的可信度。
• 如果要将数字人合成到幻灯片或品牌图形中，请保持光线和色彩一致。
• 如果用户要求让名人、公众人物、员工、客户、儿童或私人个体动起来，请暂停操作，直至相关权利和政策适用性得到明确确认。

V3 Pro / Clips 的演示者选择

使用 GET /clips/presenters 列出受支持的 V3 Pro Avatars 及其 presenter_id 值。D-ID 的文档还指出，V3 Pro Avatars 与 /clips 配合使用；如需基于用户自有视频素材创建自定义 V3 Pro Avatars，则必须联系 D-ID。已于 2026-07-10 核实。

选择演示者时，考虑以下因素：

• 与受众的信任感是否匹配：高管、教育者、同事、支持专员、销售顾问；
• 服装／背景是否匹配：中性办公室、绿幕、居家、户外、适合品牌展示；
• 镜头构图和手势风格：手部可见或不可见、活力充沛或沉稳；
• 本地化一致性：每个语言系列尽量使用同一位演示者，除非有意采用本地化面孔／角色设定。

除非所选 D-ID 演示者／驱动器工作流明确支持，否则不要声称演示者能够手持产品、指向任意 UI 元素、在场景中走动或与道具进行实体互动。

自定义头像和同意视频

对于 V3 Instant Avatars，D-ID 文档指出，必须先完成同意验证流程，才能使用该头像生成不限量视频。对于 Express Avatars，POST /scenes/avatars 接受用于源视频的 source_url，以及用于有效同意视频的 consent_id；POST /consents 可为受支持的语言创建同意流程。已于 2026-07-10 验证。

拍摄自定义头像源素材时，应将其视为一场迷你人才拍摄：

• 画面中只有一人；摄像机保持稳定，采用平视构图，光线均匀，背景简洁；
• 源素材中不得包含受版权保护的音乐或第三方声音；
• 以自然语速说话，并留出几秒钟的平静表情；
• 服装和背景应适用于后续视频；
• 单独录制所需语言的同意视频，并确保其对应预期人物和账号。

如果同意验证失败或缺失，请勿通过静态照片、相似面孔或克隆声音绕过验证。请索取有效同意，或改用库存讲解人。

脚本、声音和语言指导

D-ID 可通过相关端点根据文本或音频脚本生成动画；/tts/voices 会列出声音，并可按提供商筛选：Amazon、Microsoft、Azure OpenAI、ElevenLabs 或 Google。部分端点支持使用 x-api-key-external 请求头传入外部 ElevenLabs API 密钥，以使用 IVC 声音。已于 2026-07-10 验证。

撰写内容时应兼顾口型同步和信任感：

• 使用简洁的口语句子。D-ID 讲解人的优势在于让面部表情辅助传达信息，而不是快速念完密集的文本。
• 每句话只表达一个明确观点。头像视频不适合过长的从句，因为眼神交流和面部动作会让冗长表达显得不自然。
• 对不常见的读音、缩写、姓名、医学或法律术语以及品牌名称，标明正确读法。
• 在文本或外部音频中明确安排停顿。可使用标点、所选脚本／声音路径支持的类 SSML 停顿，或使用带有干净静音片段的预渲染音频。
• 本地化含义，而不只是词语。根据目标文化调整问候语、习语、对手势的预期以及传递信任的方式。
• 根据路径匹配情绪。V4 的表现力／情感路径可支持更具情绪色彩的文本；V2 照片头像则应采用克制的情感表达。

以下情况优先使用预渲染音频：

• 用户拥有已取得合法授权的人声配音；
• 品牌声音已获批准；
• 发音必须精确；
• 更倾向于使用其他 TTS 提供商；
• 需要将同一条主音轨用于 D-ID 和非 D-ID 剪辑。

上传音频时，D-ID 的 POST /audios 会临时存储上传的音频／视频输入，将结果转换为 16 kHz 的 WAV，支持 audio/ 和 video/ MIME 类型，文件大小上限为 6 MB，并会将文件存储 24-48 小时，除非端点参数指定了其他路由方式。已于 2026-07-10 验证。请在自己的项目存储中下载并保留所有源音频和生成结果；不要只依赖临时上传 URL 作为唯一副本。

API 生命周期模式

有意使用 D-ID 的异步任务模型：

1. 创建或选择头像／演示者：
   • Talks：提供 source_url。
   • Clips：提供 presenter_id，并可选择提供 driver_id。
   • Scenes：创建／选择 avatar_id；创建 Express Avatar 时使用 POST /scenes/avatars。
2. 以文本或音频形式提供 script，并根据端点配置相应的语音／提供方。
3. 添加 name 和非敏感的 user_data，以便追踪。切勿将密钥、私人用户数据或原始客户 PII 放入 user_data；D-ID 文档说明，这些内容会原样出现在响应和 Webhook 中。
4. 在生产自动化中优先使用 Webhook。如果未配置 Webhook，则轮询对应的 GET 端点（/talks/{id}、/clips/{id} 或 scenes 对应端点），直至任务完成。
5. 如果使用 result_url，请使用受控的 HTTPS 目标地址或具有正确权限的预签名 URL。否则，应尽快将返回的视频 URL 下载到项目的资源存储中。
6. 存储不含密钥的请求负载、任务 ID、端点、D-ID 路由、语音／提供方、头像／演示者 ID（如适用，还包括同意 ID）、源资源哈希、结果 URL、本地最终路径、创建／完成时间戳、费用／额度备注，以及 QA 结果。

常见端点信息，已于 2026-07-10 验证：

• POST /talks 根据源图像／Studio 演员创建 V2 会说话的头像视频，并要求提供文本或音频脚本；它接受 config、user_data、name、webhook 和 result_url；失败原因可能包括身份验证、额度不足、权限和内容审核错误。
• POST /clips 使用 presenter_id 创建 V3 演示者片段，可选提供 driver_id，并要求提供文本／音频脚本；它接受 config、presenter_config、background、user_data、name、webhook 和 result_url；失败原因可能包括身份验证、额度、权限以及图像／文本／音频审核。
• POST /scenes/avatars 根据源视频创建 Express Avatar，可选提供有效的 consent_id、可选启用绿幕标志，并接受 webhook、name 和 user_data。
• POST /scenes 使用 avatar_id 创建场景，并要求提供文本／音频脚本；背景颜色仅适用于使用绿幕背景的头像。
• GET /tts/voices 按提供方列出／筛选语音。
• GET /credits 返回额度项目，包括剩余／总额度和过期时间。

实时 Agent 与流式传输

当用户需要可交互的虚拟形象，而不是静态 MP4 时，请使用 Agents。D-ID 文档将 Agents 描述为自主 AI 助手，可根据所有者上传的知识回答问题，并在商业或个人使用场景中执行相应角色；常见角色包括营销、客户互动、教育和培训。已于 2026-07-10 验证。

Agent 的生产部署是一项产品设计任务，而不只是生成头像：

• 明确 Agent 的工作、拒绝边界、转接规则和用户价值。
• 从 Photo Avatar、Video Avatar 或 Expressive Avatar 中选择演示者／头像类型；创建 Agent 时，D-ID 的 Agents API 要求提供 presenter 对象。
• 选择 LLM 路径：由 D-ID 管理的内置模型、通过 Studio 使用的外部 OpenAI／Azure 密钥（如适用），或自定义的 OpenAI 兼容端点。D-ID 文档说明，截至 2026-07-10，内置选项包括多个 OpenAI 模型名称；在确定具体名称前请重新核实。
• 清理源文档中的隐私信息、过时说法和无依据的建议后，再附加知识。
• 提供开场消息和问候语，清楚说明预期。
• 仅对已批准的域名启用嵌入／SDK。D-ID 的 SDK 文档将域名允许列表和客户端密钥的使用列为嵌入设置的一部分。
• 测试延迟、中断处理、麦克风权限、浏览器兼容性、仅聊天回退状态，以及已记录对话的导出／保管流程。

D-ID 的 Agents SDK 支持通过 WebRTC 流式传输 Talks（V2）和 Clips（V3），并支持通过基于 LiveKit 的流式传输实现 Expressives（V4），包含麦克风输入和始终开启的流畅模式。该 SDK 面向前端；Agent 和 Knowledge 的创建应通过 Agents API 或 Studio 处理。已于 2026-07-10 验证。

安全、权利与隐私检查

如果出现以下任一情况，请暂停生成并先解决问题：

• 源素材中的人脸或声音属于真实人物，且未获得许可、许可情况不明确，或许可范围小于请求用途。
• 主体是儿童、员工、客户、患者、学生、政治人物、名人、公职人员，或其他敏感身份。
• 脚本存在冒充、欺骗、捏造背书、提供高风险建议的情况，或在必须披露时隐瞒内容为合成生成。
• 源图像／音频包含与输出无关的第三方知识产权、私人地点、机密文件、健康／财务／法律数据或生物识别数据。
• 用户要求移除／隐藏 D-ID 合成标记、水印或披露信息。D-ID 条款禁止未经事先书面批准移除、隐藏或弱化合成标记／水印。已于 2026-07-10 核实。
• 输出将用于广告、受监管行业、政治说服、招聘、教育评估、医疗、金融、法律服务或公共服务公告，且未经额外审核。

面向用户的披露应简明直白：“此视频使用 D-ID 生成的 AI 虚拟形象／口型同步技术。”根据发布渠道和适用法律，在适当位置将披露信息添加到元数据、字幕、页面文案或片头／片尾中。

D-ID 虚拟形象视频成品 QA 检查

以正常速度、半速（检查口型同步）以及目标版式／平台裁切方式查看最终 MP4。

必须通过的检查：

• 已记录人脸、声音、脚本、音乐和发布所需的同意与权利。
• 虚拟形象的身份不会造成误导，也不会暗示未经批准的背书。
• 爆破音、人名、数字和非英语词汇的口型同步效果可信。
• 音频清晰、响度已标准化，且没有辅音截断或不自然的停顿。
• 眼睛、牙齿、下颌线、脸颊和双手没有明显的干扰性瑕疵。
• 首帧、末帧和海报帧符合品牌安全要求。
• 字幕与口述内容一致，且在最终宽高比下清晰易读。
• 未发生未经批准的水印／合成标记移除。
• 结果 URL 已下载到自有存储空间；临时上传链接和结果链接并非唯一副本。
• 作业元数据足以复现或审计此次生成。

常见故障及修复方法：

• 人名的口型同步效果较差：按发音重写文本、更换语音，或使用外部制作的音频。
• 语音听起来像机器人：缩短句子、增加停顿、选择更温和的语音，或切换到 V4 expressive 路线。
• 静态照片的动态效果不自然：选择更正面、表情更自然的图像，或切换到 V3 presenter。
• 演示者不匹配：选择其他 V3 presenter／background／driver，或在支持的情况下使用绿幕合成。
• 审核错误：检查问题是否与图像、文本、音频、名人识别或权利敏感内容有关；不要规避审核。
• 点数或身份验证失败：检查 GET /credits、套餐／API 密钥状态、端点权限，以及外部 TTS 标头是否配置正确。
• 未收到 webhook：轮询作业端点，检查 HTTPS 端点日志，并确认 user_data 中不会包含敏感数据。

示例：使用提供的肖像制作一次性个性化引导视频

意图：为新客户制作一段 35 秒的欢迎视频，使用对方提供并同意使用的肖像。

路线：V2 Photo Avatar / Talks，因为这个人的具体形象很重要，而简单的半身讲解效果就足够了。

前期准备：

• 确认已获得书面许可，可将该肖像用于引导流程。
• 确认 D-ID 额度和套餐。
• 将源图片存储在受控的 HTTPS 存储空间中。
• 优先选择文本脚本以便快速迭代；只有在发音不理想时才切换到音频。

示例脚本：

嗨，Maya，欢迎加入 Northstar Analytics。很高兴你来到这里。接下来的三分钟里，我们会连接你的仪表盘、邀请你的团队，并设置第一份每周报告。如果有任何不清楚的地方，请使用右下角的帮助按钮。今天就让我们帮你从设置迈向洞察吧。

示例 API 结构方案：

{
  "endpoint": "POST https://api.d-id.com/talks",
  "body": {
    "source_url": "https://your-controlled-storage.example/onboarding/maya-approved-headshot.jpg",
    "script": {
      "type": "text",
      "input": "Hi Maya, welcome to Northstar Analytics...",
      "provider": "microsoft",
      "voice_id": "choose-after-GET-/tts/voices"
    },
    "name": "maya-onboarding-welcome-v1",
    "user_data": "project=northstar-onboarding;variant=maya-v1",
    "webhook": "https://your-webhook.example/did/jobs",
    "result_url": "https://your-presigned-destination.example/maya-onboarding.mp4"
  }
}

这种结构奏效的原因：静态肖像是关键差异点，脚本简短直接，user_data 不包含敏感信息，而且 webhook／结果路径支持数据保管。

预期结果：一段特写口播虚拟形象 MP4，适合用于引导页面。

可能的修正：如果 “Northstar” 发音不正确，可以改用商务英语发音更好的语音、采用音标拼写，或使用预先渲染的音频。

示例：使用素材库虚拟形象制作精良的培训主持人视频

意图：制作一段 60 秒的合规微课导入视频，不使用任何真实员工的肖像。

路线：V3 Pro Avatar / Clips，因为素材库主持人可以避免侵犯员工肖像的风险，而且与单张照片相比，能呈现更丰富的身体／主持人动作。

前期准备：

• 使用 GET /clips/presenters，选择一位着装和背景中性的主持人。
• 确认下游合成是否需要绿幕／背景选项。
• 如果法律措辞必须精确，请使用经外部审核的配音。

示例脚本：

批准供应商发票前，请先暂停并完成三项检查。第一，确认采购订单与发票金额一致。第二，对照已批准的供应商记录，核实供应商名称和付款详情。第三，留意那些催促你跳过审核的紧迫措辞。如果任何细节看起来不对，请停止操作并转交给财务运营部门。

示例 API 结构方案：

{
  "endpoint": "POST https://api.d-id.com/clips",
  "body": {
    "presenter_id": "select-from-GET-/clips/presenters",
    "script": {
      "type": "text",
      "input": "Before you approve a vendor invoice...",
      "provider": "amazon",
      "voice_id": "choose-after-GET-/tts/voices"
    },
    "background": {
      "color": "#F6F7FB"
    },
    "name": "invoice-fraud-training-intro-v1",
    "user_data": "course=invoice-fraud;module=intro;version=1",
    "webhook": "https://your-webhook.example/did/jobs"
  }
}

预期结果：一段专业的主持人视频片段，可放在幻灯片或互动测验内容之前。

可能的修正：如果主持人的动作对于合规培训来说显得过于活跃，可以选择更沉稳的主持人／驱动角色，或缩短脚本以减少表演感。

示例：面向 SaaS 帮助中心的交互式支持 Agent

意图：在文档网站上部署一个视觉 Agent，回答产品设置问题。

路线：使用带有 Embed 的 D-ID Agent 或 Agents SDK，而不是预先渲染的视频片段。

设计：

• 主持人：如果品牌希望实现更逼真的实时交互，则使用 Expressive Avatar；否则使用更简单的虚拟形象，以提升速度并降低复杂度。
• LLM：快速上线时使用 D-ID 内置模型；如果公司需要自行路由模型并进行合规审查，则使用自定义／外部模型。
• 知识：仅使用已批准的帮助中心文章；排除内部工单和客户数据。
• 问候语：“嗨，我可以帮助你完成设置和故障排查。我是 AI 支持虚拟形象，有帮助时会提供相关文档链接。”
• 边界：不更改账单，不作出法律／安全方面的承诺；未经身份验证并转接给支持人员时，不提供特定账户的诊断。

质量检查：

• 测试允许域名配置。
• 测试麦克风权限和文本备用方案。
• 提出五个已知的常见问题，并将回答与源文档进行比较。
• 提出范围之外的账单／法律／安全问题，并确认系统能安全转接。
• 确认聊天记录和导出数据按照用户的隐私政策存储。

预期结果：一个嵌入式 AI 支持虚拟形象，具备语音／视频／聊天功能，能够回答基于文档的问题并安全升级处理。

来源

主要来源，已于 2026-07-10 查阅并核实：

• D-ID Quickstart：用于了解路由类别：Realtime、Agents、Talks、Clips、V4 Expressive Avatars、Video Translate、SDKs。
• D-ID API Keys 和 D-ID FAQ：用于了解 Studio API 密钥的生成、积分要求和 API 文档的位置。
• Create a talk、Get a specific talk、Create a clip、Get a specific clip、Get presenters、Create an Express Avatar 和 Create a Scene：用于了解端点的行为。
• Upload audio file、Get Voices 和 Get credits：用于了解音频、TTS 和积分生命周期。
• Create a consent 和 V3 Instant Avatar 快速入门：用于了解同意流程的要求。
• Agents SDK Overview、Agents Embed Overview、Create an Agent、Create a video stream 和 LLMs Overview：用于了解实时 Agent 的设计。
• D-ID Products Terms of Use 和 D-ID Privacy Policy：用于了解权利、水印／合成标记、个人数据和隐私注意事项。