D-ID上手：脚本、素材与导出设置

D-ID 的核心能力很单一：让一张静态人像照开口说话。输入一张正脸照片和一段文本，输出一段唇形与语音同步的短片。能力单一意味着上手快，也意味着它只解决整条视频里的一小段，剩下的仍要靠拍摄、剪辑和排版补齐。真正决定成品好坏的，是喂进去的那张照片和那段文字。

素材决定上限：一张合格人像照的条件

正脸、平视、光线均匀，是最基本的三条。侧脸超过一定角度，唇形合成就会失真；头顶有强光造成阴影，生成后阴影会跟着嘴动，非常出戏。拍摄时把光源放在正前方四十五度，两侧补一点反光，脸部的立体感就够用了。

嘴部清晰无遮挡是硬指标。口罩、手、麦克风挡住嘴，等于让模型猜口型，结果一定不对。眼镜可以戴，但镜框反光会在生成时闪烁，能不戴就不戴；长发遮住下颌线也会影响贴合度。

分辨率不必极高，但要有足够细节。过度磨皮的照片缺少唇部和法令纹的纹理，生成的面部会像塑料。背景越简单越好，纯色墙在后期抠像时最省事，杂乱的办公室背景会让画面显得不专业。

脚本写法：三个让口型对得上的习惯

第一，句子短。一句控制在十五字上下，标点明确。模型按标点断句，长句会导致唇形提前或滞后，尤其是有多个逗号的长复句，越到后面偏差越明显。

第二，数字和缩写写全。年份写成汉字读法，缩写要么全称要么按字母逐个读，读法不同口型完全不同，写全了才不会出现音画错位。这一条在讲参数、金额、型号时最要紧。

第三，用标点控停。需要停顿的地方加逗号或句号，不要靠空格或换行，多数工具不识别换行的停顿含义。想让语气更缓，就把句子拆成两句，比加逗号有效。

生成与导出的设置

画面比例按投放位置定。竖屏社交平台用九比十六，横屏课件用十六比九，方形多用于信息流。比例定错后重新生成的代价比想象中大，因为裁切会切掉手势和肩线，看起来像被截断。

时长是分段生成的现实约束。一条长讲解要拆成多条短片，再在剪辑软件里拼接，接口处加转场或者章节卡遮一下。单条越长，后半段的面部稳定性越差，这是这类技术的通病，多数场景下拆短比硬撑更好。

水印与商用授权看套餐，具体以官网定价页为准。对外投放前确认输出是否带标识，带标识的版本不适合直接投放，需要走付费方案或者后期处理。

导出前按这份清单过一遍，比事后重做省事得多：

• 画面比例与投放位置是否一致，竖屏片不要用横屏裁切凑。
• 单条时长是否超过平台上限，超了就拆段而不是硬压语速。
• 各条音量峰值是否统一，多条拼接时尤其要听一遍接缝。
• 片尾是否留出静止时间，方便后期加转场与字幕收尾。
• 输出文件是否带水印，正式投放前确认版本与格式。

它不适合做的事情

长视频、复杂手势、多人对话、情绪表演，这四类都不合适。它能做的是「一个人对着镜头把一段话说清楚」，超出这个范围，效果下降得很快。多人对话场景里，两个数字人交替出现，视线不会交汇，观众立刻察觉不对。

还有一个容易忽略的用途：把历史照片或者不便出镜的专家形象做成讲解。这类用法要格外注意授权，使用他人肖像必须取得书面同意，逝者肖像还涉及家属权益，企业项目建议走法务确认。

官方入口：D-ID官网

用它的正确姿势是把它当成一个「会说话的镜头」，而不是一个数字员工。一段三分钟的内容拆成六条三十秒的镜头，分别生成、分别返工，成片在剪辑软件里拼，质量与效率的平衡点就在这个拆法上。