可灵AI支持通过多图参考生成更专业的口播视频：上传4张合规图片（人像、场景、道具、表情），搭配结构化提示词，选择视频1.3模型，上传3～8秒语音，设置9:16画面比例与10秒时长，开启高品质或标准模式，导出前务必检查口型同步效果。

如果你想用可灵AI快速制作一段专业感强、适合短视频平台发布的口播开场视频，又不想真人出镜，也不依赖绿幕拍摄，只需要上传多张参考图片并准确设置提示词，就可以让数字人在你指定的场景里自然开口说话，完成高质量AI口播视频生成。

准备符合要求的多图素材

打开电脑版可灵AI，进入【视频生成】→【图生视频】→【多图参考】页面。系统最多支持上传4张图片，每张图片都必须为JPEG或PNG格式，尺寸不小于300px，单张文件大小不超过10MB。

第1张图片建议使用数字人的正面半身照，要求尽量清晰，人物不要被遮挡，光线也要保持均匀。第2张更适合上传背景场景图，例如书架前、简约办公室、虚拟演播厅等常见口播环境。第3张可以根据需要补充一张道具图，比如手持话筒、平板电脑等。第4张则可以先留空，或者增加一张表情特写图。不要忽视这一步，它几乎会直接影响后续AI口播时人物神态是否自然、画面是否稳定，【切勿上传自拍合照或多人合影，AI会混淆主体】。

写好能被AI准确理解的提示词

在提示词输入框中写入一句结构清晰、主谓宾明确的指令，例如：“图一的知性女性讲师站在图二的现代书房中，手持平板讲解，面带微笑，语速适中，电影感柔光。”

尽量避免使用“看起来很专业”“氛围感强”这类过于模糊的描述；必须明确动作（站立/手持/讲解）、状态（微笑/直视镜头）、风格（电影感/高清访谈/轻综艺）。如果你想强化口播视频属性，建议一定加入“正在口播”“面向镜头讲话”等动词短语，这样更有利于可灵AI准确理解你的生成需求。

配置口播专属参数

第一步：模型必须选择【视频1.3】，因为其他模型暂不支持多图参考场景下的语音驱动逻辑；

第二步：在音频设置中开启【音效】开关，并上传一段3～8秒的真人录音或TTS语音文件（MP3/WA V格式），这是驱动数字人口型同步与开口说话效果的核心依据；

第三步：勾选【高品质模式】（仅限会员），非会员建议选择【标准模式】+【10秒】生成时长——【5秒太短，不足以完成完整口播开场语，易被截断】；

第四步：生成比例设置为9:16，这是竖屏口播视频的常用比例，生成条数选择1条即可，能够避免不必要的资源浪费。

生成后立即检查口型与画面匹配度

视频生成完成后，先不要急着导出，直接点击预览播放键，重点检查0～3秒内数字人嘴唇开合节奏是否与语音波形严格对应。

如果出现明显不同步的情况（例如语音已经开始但嘴巴没动，或者语音结束后嘴型还在继续），通常说明音频采样率不兼容，或提示词中没有突出“正在讲话”这一动作。此时需要重新上传音频，并勾选【强制口型同步】开关（位于高级设置折叠栏内）；

确认画面和口型都没有问题后，再点击【导出】按钮，分辨率保持1080P默认值，关闭【压缩上传】，开启【高清渲染】，即可完成最终输出。