chatgpt+mj+did生成会说话的头像

当我们有了 ChatGPT 生成的内容，有了 stable-diffusion、midjourney 或者 dalle2 生成的人像，如果还能让人像动起来，替我们朗诵或者播报一下 ChatGPT 的内容，不就是一个数字人了么？

D-ID 公司，就可以帮助人们快速达成这个目的：https://www.d-id.com/creative-reality-studio/。他可以综合利用虚拟图片、剧本文案，生成一段对应的数字人短视频。

快速点击注册后，就可以看到上图这样的 D-ID 的编辑器界面。在底部可以选择一个默认形象，或者自己上传一个形象照片，或者切换到"Generate AI presenter"标签页，输入类似 stable-diffusion prompt 形式的提示词，由 D-ID 生成 AI 形象：

D-ID 默认提供了一些 prompt 示例，帮助不太熟悉 AIGC 绘图的用户快速了解用法。比如上图中我们就直接点选了其中一条示例，画一幅迪丽热巴的全身像，不过看起来 D-ID 使用的文生图模型其实并不知道迪丽热巴是谁——换一个角度说，知道了容易侵权。因此，想要生成虚拟数字人，建议大家还是使用更专业的文生图产品，完成恰当的肖像图后，通过自定义上传照片的方式完成形象定义。

在右侧，可以输入需要数字人实际念的剧本文案。可以看到，我们最多被允许输入3875 个字符。应该足够用了。如果你只有一个核心的想法，还没有完整内容，你也可以像使用 ChatGPT 补全文本一样，点击输入框底部第三个魔法棒 icon，让 GPT-3 AI帮你自动生成更多文案。 GPT-3 是 ChatGPT 的上一代产品，因此基于 GPT-3 的补全文本同样需要小心校验，避免错误。比如下图中，GPT-3 补全的介绍是根据"领先"二字生成了"IBM, SAP, Oracle"等公司名称，显然不符合实际。

完成文案输入后，可以调整语音的风格，包括：语种、声音来源、语气风格等等，还可以在文案中特意插入一些停顿时间。完成以后，点击输入框底部第一个喇叭 icon，试听一下生成的语音效果。如果对标准语音方案不满意，我们可以点击"Audio"标签，选择录一段自己的声音，上传到 D-ID 平台。

最后，点击页面右上角"Generate Video"按钮，就可以生成一段视频了。我们可以点击播放，看到 D-ID 自动识别了图片中头部和嘴部区域，按照文本的发音规律，生成了对应的口型，甚至辅助添加了一定的头部摆动效果。完成的数字人短视频，你可以发到短视频平台上，也可以插入到公司官网上，还可以放到产品介绍 PPT 里，都能给人眼前一亮的感觉。

D-ID 公司并不满足于调用 GPT-3 做剧本文案扩写，目前也在探索更多利用 ChatGPT 能力的方式，比如直接进行语音对话：https://chat.d-id.com/

事实上，数字人技术还有更大的发展和探索空间。微软在 2023 年 1 月发表了一篇论文，介绍他们的 Vall-E 系统，在线演示地址见：https://valle-demo.github.io/。Vall-E 系统只需要用户提供 3 秒钟录音，就可以模拟仿真原声的语气语调，来念输入的任意文本。不过因为被滥用的风险太大，微软并没有开源这个系统。

关于音频和数字人形象的口型对应技术，开源社区也有相关方案：https://github.com/ajay-sainy/Wav2Lip-GFPGAN。不过默认模型是采用英文视频训练，对中文语音口型表现不佳，需要使用者自行采集中文发音视频进行重训练。