到目前為止，我們已經讓 AI 分身學會與我們有關的不少事情：它了解我的背景、偏好，知道我平常怎麼表達想法與行事風格，也慢慢學會我的工作方法，甚至能使用各種我本人平常就在用的工具幫我完成任務。

做到這裡，這個 AI 工作分身已經能替我產出有我風格的文章、企劃、簡報等工作成果。但我突然想試著再前進一步－如果今天我想拍一支影片，向大家分享我最近的一些想法心得，能不能連「出鏡與講話」這件事，也交給我的分身？

換句話說，我只要準備好一段文字稿，接著就有一個長得跟我一樣、使用我的聲音的「人」，直接對著鏡頭把內容講出來。好處是我不需要架相機、調燈光，也不用因為講錯話、吃螺絲就得重新錄製。

這就是這篇想要嘗試的事情：讓 AI 分身擁有我的聲音與肖像，製作出一支彷彿由我本人出鏡的影片。

這次我會使用 DomoAI 來示範實作。不過，在開始操作之前，我們先了解一下，現在的 AI 數位化身到底是怎麼做出來的。

AI 數位化身是怎麼做出來的？

所謂的 AI 數位化身（AI Avatar），就是透過 AI 技術建立一個虛擬的人物形象，讓它可以出現在圖片、影片，甚至即時互動的畫面中。

如果希望這個數位化身能夠開口說話，通常需要處理兩件事情：

• 聲音：讓 AI 可以使用指定的聲音，講出我們提供的文字。
• 影像：讓人物的嘴型、表情與動作配合聲音，生成自然的說話影片。

以聲音來說，常見的技術是聲音複製（Voice Cloning）與文字轉語音（Text-to-Speech，簡稱 TTS）。

聲音複製是透過一段錄音，讓 AI 學習這個人的聲音特徵；文字轉語音則是把輸入的文字轉換成語音。當兩者搭配使用，我們就能讓 AI 用接近自己聲音的方式，讀出原本沒有錄製過的句子。

有了聲音，接下來就要讓數位化身的嘴型和表情動起來。這類技術常會使用唇形同步（Lip Sync），讓嘴巴的開合動作盡量符合語音內容，再透過影像生成模型補上表情與肢體動作。

你可以把它想成拍攝一支口播影片。講稿決定要說什麼，聲音決定聽起來像誰，人物影像則決定觀眾看到的是誰。這幾個環節其實可以分開製作，最後再組合成影片。

但如果希望影片中的人物連姿勢、手勢和習慣動作都像本人，事情就沒那麼簡單了。

三種常見的 AI 數位化身製作方式

目前常見的做法，可以先從以下三種實現路線來理解。

第一種是這篇要使用的方法。像 DomoAI 的「數位化身（Talking Avatar）」，只要上傳一張人像照片，再提供語音，就能讓照片裡的人開始說話。

第二種可以參考 Higgsfield 的 Video Face Swap，或 DomoAI 的「角色轉影片（Character to Video）」。例如，先拍攝一段真人對著鏡頭講話、揮手的影片，再利用 AI 把影片中的人物替換成指定角色。這種方式能沿用原始影片的動作，比較容易控制人物的姿勢。但如果參考的是別人的影片，動作也不會因此變成你自己的習慣。

第三種的代表工具是 Higgsfield 的 Soul ID。它可以利用同一個人的多張照片建立可重複使用的角色模型，讓之後生成的不同圖片或影片，盡量維持相同的長相。依照目前官方的操作說明，需要準備至少 20 張照片，最多可上傳 80 張。不過，Soul ID 主要解決的是角色外貌一致性的問題，要讓角色開口說話，仍然需要搭配語音與影片生成工具。

這三種技術並不互斥，也可以搭配使用。

如果只是希望自己的照片能夠開口說話，第一種就已經足夠；如果希望 AI 分身出現在各種不同的情境，甚至有特定的動作和表演，再考慮其他做法就好。

這次我們先從最容易上手的方式開始：用一張自己的照片，加上自己的聲音，完成第一支 AI 分身影片。

實作一：先讓 AI 學會我的聲音

首先處理聲音的部分，我們先來鳥瞰整個過程：

這次我會使用的是 DomoAI 的文字轉語音（Text to Speech） 功能。它除了提供平台內建的聲音，也支援錄製或上傳自己的聲音樣本，建立之後可以重複使用的個人聲音。

步驟 1：新增自己的聲音

進入 DomoAI 網站並登入帳號後，在「AI 影片」功能上方的選單中，切換到「文字轉語音」。

接著，在「選擇一個語音」的選單裡，可以看到平台提供的各種聲音，以及「新增自己的語音」功能。點選後，就能開始建立自己的聲音。

步驟 2：錄製自己的聲音樣本

點選「新增自己的語音」後，系統會先要求替這個聲音命名，例如「我的分身語音_測試用」，方便日後辨識。

接著可以選擇兩種方式提供聲音樣本：

1. 立即錄音：直接透過網站麥克風，朗讀系統指定的文字。
2. 上傳音訊檔案：使用自己事先準備好的錄音素材。

這次我選擇「立即錄音」。

進入錄音畫面後，先選擇語言，例如「中文」。系統會提供一段指定文字，只要按下「開始錄音」，照著畫面自然朗讀即可。

DomoAI 建議使用至少 10 秒、清晰且沒有明顯雜音的聲音樣本。錄音時可以注意幾個地方：

• 盡量在安靜的環境錄製，避免背景音樂或其他人的聲音。
• 使用平常自然的說話方式，不需要刻意改變音調。
• 保持穩定的音量和麥克風距離，避免忽大忽小。

完成錄音後，依照介面指示儲存，剛才命名的個人聲音就會出現在語音清單中，之後可以重複選擇使用。

步驟 3：輸入文字，讓 AI 用我的聲音朗讀

有了個人聲音，接下來就可以體驗文字轉語音了。

回到 Text to Speech 介面，在語音選單中選擇剛才建立的聲音，接著把希望 AI 朗讀的內容貼到「文字腳本」欄位。

這次我拿了一段已經準備好的講稿來測試。

整個操作很簡單，只需要選擇聲音、輸入如下文字

大腦其實很好騙，但你得先懂它怎麼運作。你有想過為什麼走進電影院，你會自然而然壓低說話的聲音？並沒有人強迫你，但是空間的氛圍讓你知道現在應該要怎麼行動。一樣的道理，走進健身房，即使再懶，你也很難直接躺平。大腦就是會讀取環境給予的訊號，然後切換對應的模式。

接著按下「生成」，就能產生一段使用我個人聲音的語音。

介面也可以調整語速，實際使用時可嘗試把速度調快，比較接近平常講話的節奏。生成按鈕同時會顯示需要消耗的點數，按下之前記得確認。

生成完成後，先把聲音播放一次。除了聽音色像不像自己，也可以注意中文發音、語速、停頓，以及語氣是否自然。如果某些句子聽起來怪怪的，可以嘗試調整文字中的標點符號、句子長度或語速，再重新生成。

確認可以使用後，就把語音檔下載下來。

做到這裡，我們已經有一段使用自己聲音、卻不需要自己逐字錄製的旁白。接下來，還得要讓這段聲音有一張可以對上的「臉」。

實作二：讓照片裡的我開口說話

聲音準備好後，緊接著開始製作數位化身影片。一樣，我們先掌握主要的大流程如下：

這次使用 DomoAI 的數位化身（Talking Avatar） 功能，讓 AI 根據我們提供的照片、語音與動作描述，生成一段人物對著鏡頭說話的影片。

步驟 1：準備一張自己的照片

回到 DomoAI 的「AI 影片」，從上方選單切換到「數位化身」。

在畫面左上方，可以看到圖片或影片的上傳區。雖然這個功能也支援其他影像輸入方式，但這次我們使用的是一張靜態照片。

照片的選擇其實滿重要的。因為 AI 需要從照片裡辨識臉部特徵，並產生對應的嘴型與表情。

我會建議優先選擇正面或接近正面的照片，臉部清楚、光線正常，嘴巴不要被遮住。如果希望生成的影片能看到上半身的手勢，照片最好也包含適當的肩膀與身體畫面。

如果一開始就提供側臉、人物太小或五官不清楚的照片，生成時可能比較容易出現不自然的嘴型與臉部動作。

步驟 2：上傳剛才產生的語音檔

照片上傳後，接下來要決定影片的聲音來源。

從介面中可以看到三種方式：

1. 直接錄音：透過網站麥克風錄製希望數位化身說的內容。
2. 上傳音訊檔案：使用事先錄製或由其他工具生成的語音檔。
3. 文字轉語音：直接輸入文字，再選擇聲音讓系統產生語音。

這三種方式各有適用情況。如果想完整保留自己當下的語氣與情緒，直接錄音會比較容易掌握；如果之前已有準備好旁白錄音訊檔，直接上傳就不需要重新錄製。

而這次我們採用的是第二種：上傳音訊檔案。

因為前面已經透過 DomoAI 的 TTS，建立個人聲音並產生了一段語音，所以這裡只要把剛才下載的音檔上傳即可。

《R森小叮嚀》

我特別喜歡這種將聲音與影像分開製作的方式。未來如果覺得 DomoAI 產生的聲音不夠像，也可以換成其他專門處理語音的工具製作音檔，再交給 DomoAI 生成影片，不需要整套流程重新來過。

步驟 3：設定數位化身的動作與表情

除了照片和語音之外，數位化身功能還有一個「提示詞（Prompt）」欄位。

這裡要注意，它要求輸入的是人物的動作或表情，並非要朗讀的講稿。因為說話的內容已經包含在我們上傳的語音檔裡，這個欄位的用途，是告訴 AI 人物說話時應該怎麼表現。

例如，這次我希望分身像平常分享事情那樣，自然地對著鏡頭說話，因此輸入：

主角自然地對著鏡頭說話

如果想進一步控制，也可以加入一些動作描述，例如自然眨眼、輕微點頭、面帶微笑，或保持穩定的眼神接觸。

不過，我會建議剛開始先使用比較單純的動作。畢竟 AI 只有看過這一張照片，並不知道我平常說話時習慣怎麼動手、怎麼轉頭。如果一次要求太多複雜的肢體動作，反而可能讓畫面變得不自然。

以下就是我所下的提示詞中，動作與演出物件太複雜，導致手勢怪異、貓出現的不自然的反面案例，給大家參考。(羞)

*小提醒：此為 youtube 連結，可按 右鍵 -> 在新分頁中開啟連結 觀看

步驟 4：生成 AI 分身影片

照片、音訊和動作提示詞都準備好後，就可以設定影片的畫面比例與生成長度。如果是直式社群短影音，可以選擇 9:16；如果想製作橫式影片，可以使用 16:9。這次的操作畫面則是選擇 4:3。

另外，記得留意音訊與影片的長度是否相符。例如音訊有 23 秒，但影片生成長度只設定 20 秒，就需要特別檢查影片結尾是否完整，必要時調整設定或音訊內容。

確認生成所需的點數後，就可以按下「生成」，等待 AI 完成影片。

生成結束後，播放影片檢查聲音、嘴型與動作。如果結果符合預期，就可以下載使用。

到這裡，我們已經完成了一支由 AI 分身出鏡、使用自己聲音說話的影片。

做出來的 AI 分身，真的有多像我？

影片完成後，接下來就來看看成果。

*小提醒：此為 youtube 連結，可按 右鍵 -> 在新分頁中開啟連結 觀看

實際示範下來，我覺得有一個地方值得分享，就是聲音的品質。

DomoAI 本身主要是一個 AI 影像與影片生成平台，雖然也提供聲音複製和文字轉語音的功能，但畢竟不是專門做 AI 聲音的工具。

這次我只需要提供幾十秒的錄音，就能讓它快速建立一個跟自己聲音相似的模型。操作上確實很方便，但實際生成語音時，有些句子的音色、發音或語氣，還是會出現一些奇怪的地方，聽起來不太像平常的自己。

如果你對聲音的還原程度有更高要求，我認為可以考慮把聲音和影片分開製作。

例如 ElevenLabs 這類專門處理 AI 語音的工具，除了提供快速聲音複製（Instant Voice Cloning），也有專業聲音複製（Professional Voice Cloning）。後者可以使用更多錄音資料進行模型調整，官方建議準備至少 30 分鐘、理想情況下約 2～3 小時的高品質錄音，讓模型有更多機會學到個人聲音的細節。

這種方式有機會產生更接近本人的聲音，但也需要花更多時間準備素材，實際效果仍然要看錄音品質與模型表現。

換句話說，我們可以先用 ElevenLabs 建立自己的聲音模型，利用 TTS 產生旁白，再把完成的音檔上傳到 DomoAI，讓數位化身開口說話。

至於影像的部分，這次使用單張照片生成，AI 可以讓人物對著鏡頭說話，嘴型和表情也能隨著語音變化。但因為它沒有真正學過我平常的動作習慣，因此有些表情、手勢或身體動作，還是會帶有一點 AI 味的感覺。

例如，有些人習慣講到重點時抬起手，有些人會不自覺歪頭思考，也有人說話時幾乎不做什麼手勢。這些屬於個人的肢體表達習慣，只提供一張照片，AI 自然很難完全掌握。

所以，如果要問我這個 AI 分身，從聲音、語氣、表情到說話時的動作，整體究竟有多像本尊？

我大概會評價給它 87 分像。

如果只是想快速製作一段 AI 分身口播影片，我認為像是 DomoAI 這種整合式工具已經很方便。但如果希望聲音、外貌和動作都更接近本人，就可以考慮使用不同工具，各自處理自己最擅長的部分。

《R森小叮嚀》

由於聲音和肖像都具有高度的個人辨識性，最好只使用自己的素材，或取得當事人明確授權的照片與錄音，並確認平台對資料的使用方式。影片公開發布時，也應適當告知為 AI 生成的內容，避免造成誤解。

進階整合：我很懶，能不能直接一句話叫 Hermes 生出我的分身影片？

前面我們是自己打開 DomoAI 自己來完成聲音與影片生成。

但如果你還記得前面幾篇介紹過的 API、MCP 和 Tools，應該就能想到另一種可能：既然 AI Agent 已經會使用外部工具，能不能連生成影片這件事也交給 Agent？

例如，未來我只要在 Hermes Agent 裡輸入：

把這段文字製作成一支 10 秒的口播影片，使用我的聲音和肖像，動作誇張、熱情。

"""(貼上文字稿)"""

當然可以，工作流大致會是這樣：

Agent 將文字稿，透過已串接的文字轉語音服務（例如 ElevenLabs 或 DomoAI），產生使用我個人聲音的音訊。

→ 取得音訊之後，再呼叫影片生成工具（例如 DomoAI 或 Higgsfield），把語音與個人肖像生成出口播影片

→ 完成後，直接把最終影片成果回傳給我

目前像 DomoAI 已經提供 API，可以透過程式傳入影像、音訊和動作提示詞，建立影片生成任務。

另一個例子是 Higgsfield，它有提供官方的 MCP，讓支援 MCP 的 AI Agent 可以使用外部影像、影片與音訊生成能力。至於 Hermes Agent，Higgsfield 官方目前也提供透過 CLI 與 Skills 進行整合的方式。

由於篇幅限制，這部分先不展開。大家只要知道，當 AI Agent 已經能呼叫這些外部工具，就有機會把今天的手動製作流程，進一步變成只需要一句話就能啟動的工作流程。

對這個有興趣的朋友們，可再深入學習 Higgsfield MCP 官方說明，以及 DomoAI Talking Avatar API 文件。

今天完成了「表達的最後一哩路」：只需給口播稿，AI 分身能夠替你出鏡

這段期限，我們已經花了不少心力，讓 AI 分身逐漸了解我的背景、熟悉我的表達習慣、學會我的工作方法，也開始能夠使用工具替我完成事情。

而這篇，我們又讓 AI 分身多了一種新的「具象化對外表達」的形式：

原本我的分身只能透過文字、文件或簡報呈現我的內容成果；現在則是能夠將內容轉變成一段使用我的聲音、我的肖像，直接對著鏡頭說話的影片，完全不用本尊出鏡。

對我來說，這件事很有意思。因為未來有些不一定需要我們本人出鏡的內容，像是簡單的心得分享、產品功能說明，或某些重複性高的口播影片，就有機會讓 AI 分身協助製作，省下不少時間。

當然，也不能因此認為分身已經完全變成另一個我：聲音可以模擬，外貌可以生成，但背後的內容是否正確、觀點是否真的代表我，以及適不適合對外發布，仍然需要由我自己判斷。

至此，我們終於讓這個原本只存在於電腦中、沒有「形體」的 AI 工作分身，進一步擁有了「具象表達」的能力：它能夠用我的聲音與外貌，向其他人傳達自己的任何想法。