产品动态2026-09-18
万相3.0数字人视频Agent正式发布——一张照片+一段文字，AI自动生成口型同步短视频
基于阿里云万相3.0和小米MiMo TTS，支持上传真人照片、输入文案，自动生成口型精准同步的数字人短视频，内置剪映草稿导出和13种场景模板。
广西维烯网络有限公司（witchc.cn）今日宣布，旗下自研产品「万相3.0数字人视频Agent」正式上线。这是一款面向社交媒体内容创作者的AI短视频生成工具，核心能力是上传一张真人照片 + 输入一段文字，自动生成口型精准同步的数字人说话视频。
核心能力
- 口型同步：基于阿里云万相3.0的reference_audio驱动模式，实现语音与口型的精准对齐
- 智能语音合成：集成小米MiMo TTS，支持9种音色（中文男女声、多语言声线），并支持自然语言风格控制（如"用热情亲切的语气"）
- 长视频生成：突破万相3.0单次15秒限制，通过智能分段 + FFmpeg拼接，支持生成任意时长的完整视频
- 剪映一键导入：生成完成后自动创建可编辑的剪映草稿（含视频+字幕），支持直接在剪映中二次编辑（调整字幕、加贴纸、配乐）
- 13种场景模板：内置社交媒体、产品推广、教育培训、新闻播报、故事讲述、情感共鸣等13种提示词模板，覆盖主流短视频创作场景
技术架构
| 组件 | 技术选型 |
|---|---|
| 视频生成 | 阿里云万相3.0（wan3.0-video） |
| 语音合成 | 小米MiMo TTS（mimo-v2.5-tts） |
| 对象存储 | 阿里云OSS（素材中转） |
| 视频拼接 | FFmpeg（长视频分段拼接） |
| 剪映对接 | 剪映小助手开放接口（草稿创建+字幕） |
| 开发语言 | Python 3.13 |
使用方式
用户只需三步：
- 上传一张正面、清晰的真人照片
- 输入要说的文字（或上传已有音频）
- 点击生成，等待1-5分钟即可获得成品视频
生成的视频支持下载到本地、导入剪映继续编辑，也可直接用于抖音、快手、小红书等平台发布。
成本
| 分辨率 | 10秒视频 | 说明 |
|---|---|---|
| 480P | ¥3 | 适合快速预览 |
| 720P | ¥6 | 日常发布推荐 |
| 1080P | ¥12 | 高清品质 |
TTS语音合成目前由小米MiMo提供，限时免费使用。
开源与获取
项目代码采用 MIT License，为私有仓库。有技术合作或试用需求，请通过官网 witchc.cn 联系广西维烯网络有限公司获取。
关于广西维烯网络有限公司：专注于AI应用开发与企业数字化解决方案，旗下拥有WitchC企业级开发框架、Apex AI Studio等多款产品。官网：witchc.cn
实测效果
以下是 Agent 实际产出的画面（均由真实照片 + 文案自动生成，未经人工后期）：
图：口型同步效果动态演示（自动生成，10 秒 / 720P / 竖屏 9:16）
已验证的真实场景
| 场景 | 输入 | 产出 | 耗时 |
|---|---|---|---|
| 家具门店推广口播 | 40 岁女性半身照 + 145 字推广文案 | 28 秒竖屏视频（超出单次 15 秒上限，自动分 3 段生成后拼接） | 约 14 分钟 |
| 个人 IP 自我介绍 | 男性正脸照 + 60 字自我介绍 | 10 秒竖屏视频（男声「白桦」音色） | 约 3 分钟 |
| 新媒体创业经验分享 | 人物照 + 口播稿 | 10 秒竖屏视频 | 约 3 分钟 |
剪映二次编辑
视频生成后会自动创建一份可编辑的剪映草稿（含视频轨道与自动生成的字幕轨道），一键导入本机剪映后即可调整字幕文案、增删贴纸、添加背景音乐与转场，无需重新生成视频。
适用人群
- 实体门店老板：把到店话术变成可复用的口播短视频
- 自媒体创作者：批量产出日更内容，降低出镜成本
- 企业培训/内训：将标准话术快速转化为教学视频
- 个人 IP：用自己的形象持续输出内容
说明：所用人物照片均已获本人授权用于效果演示。