AI 数字纪念视频完整技术拆解：从形象生成、动作迁移到声音克隆的工作流全流程与国内合规指南

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

这篇文章讲的是一件事：用国产 AI 工作流（LiblibAI 2.0 + 可灵 + 即梦 + 剪映），把一张静态照片一步步做成"会动、会说话、会有微表情"的数字纪念短视频，同时把国内合规红线一条条钉死。

结论前置，方便你 30 秒抓住重点：

• 整套流程分五步： 形象图生成 → 图生视频 → 动作迁移 → 声音与口播 → 剪映后期，全都跑在国产平台里，无需任何境外工具、无需绕过任何网络管理。
• 主力工具三件套： LiblibAI 2.0 负责节点式工作流和图像模型调度；可灵负责短视频生成与动作迁移；即梦负责声音克隆与数字人口播；剪映负责最后剪辑与合规标识。
• 每一步都有对应模型的合适档位： 图像走 LiblibAI 平台聚合的国内头部图像模型（Seedream、Qwen-Image、通义万相等），视频走可灵 O 系与可灵 3.0，音画走即梦 Seedance 系与数字人大师模式。
• 合规红线必须先过： 《互联网信息服务深度合成管理规定》《人工智能生成合成内容标识办法》《民法典》第 994、1023 条已经把这类应用的边界划得非常清楚——必须取得逝者近亲属的书面同意、必须对成片添加显著 AI 标识、必须避免任何用于诈骗和牟利的用途，一旦越线，民事、行政、乃至刑事责任都跑不了。
• 这篇文章的定位： 是一次面向学习者的技术拆解与合规科普，不是拉客变现指南。所有涉及金额、价格、平台积分的数字都随平台调价快速变动，本文写作时的近似情况仅供参考，实际请以各平台官方后台为准。

想看完整拆解——包括每一步的节点搭建、提示词写法、动作迁移的坑，以及每一环节对应的国内合规条款和"AI 内容标识"的正确姿势——往下翻。

一、开篇必读：这套流程在国内到底能不能做、边界在哪里

聊技术之前，我先把最关键的一件事讲透，不然后面所有节点、所有提示词都失去意义。

1.1 我们讨论的到底是什么

网上有很多种叫法：AI 复活、数字缅怀、数字永生、AI 数字纪念视频。剥掉营销外壳，本质上是同一件事——利用生成式 AI，把逝者生前的照片、录音、视频等资料，重建成一段可播放的动态影像，让家属在特定场合（忌日、祭日、婚礼、生日）能"再看到、再听到"亲人的一段模拟影像。

从技术形态上，它是 图像生成 + 图生视频 + 视频动作迁移 + 语音克隆 + 唇形同步 的组合应用，跟"数字人直播""AI 配音"其实同源，只是应用场景更特殊、情感浓度更高。

从社会属性上，它天然叠加了三重敏感：

• 主体敏感： 素材的主人已经不在，无法本人授权。
• 数据敏感： 人脸、人声在《个人信息保护法》里都是"敏感个人信息"。
• 情感敏感： 面向的用户处于哀伤期，判断力和抗骗能力都会明显下降。

正因为这三重敏感叠加，监管、法律、行业协会、平台方对这类应用的关注度一直很高，稍有不慎就是踩红线，我在动手之前先把这些边界钉死。

1.2 国内监管框架一览

莫潇羽@无忆研习社 长期关注 AI 政策，这里把和这套流程直接相关的规章按施行时间列出来，方便你有个整体印象：

你会看到一条清晰的线索：国内对"合成他人（尤其是识别性强的自然人）音视频"这件事，已经从"提示性规定"发展到"强制性标识 + 严格授权"的阶段。做这类应用，事前要拿授权、事中要合规操作、事后要显著标识，三件事缺一不可。

1.3 我做这套技术分享的三条原则

我自己在做知识型内容时，给这类敏感题材定了三条硬约束，也建议你写作、录制、发布任何相关内容时都遵守：

• 只讲原理和通用技术流程，不讲"如何收费、如何拉客、如何绕开审核"。
• 每一步涉及人物人像、人声克隆的环节，都把"取得同意 + 添加显著标识"写在前面，不做"后补免责声明"那种擦边操作。
• 提及境外模型时用科普方式讲述，不做任何暗示或引导，同时补一句"境外模型使用需遵守国内网络与内容管理相关规定"——本文所有工作流本身都跑在国内合规平台上，用不到任何绕行工具。

1.4 一句话把边界钉死

一句话总结：如果你手上没有逝者近亲属的书面同意，没有素材来源的合法凭证，没打算在成片上加"AI 生成"的显著提示，那这套流程你可以看着当技术学习，但不要做成任何对外发布的作品，更不要做成对家属收费的服务。 后面所有章节都建立在这句话之上。

二、整体技术地图：一张流程图看懂全流程

在深入每个节点之前，先看整套流程的骨架。理解了骨架，后面每一步该往哪儿走、缺了哪一环，你心里都会有数。

2.1 三层结构 + 五步流程

我习惯把整套流程拆成三层结构：

• 形象层： 处理"人物本体"——一张能稳定复用的高清正脸形象图。
• 动作层： 让形象动起来——图生视频、动作迁移、镜头运镜。
• 音画层： 让形象说话——语音生成、口型对齐、数字人合成。

在这三层之上，跑的是五步流程：

Step 1  形象图生成        ── 把家属提供的照片修复、扩展成标准形象图
Step 2  图生视频           ── 让形象做出规定的自然动作
Step 3  动作迁移           ── 把参考视频里的动作迁移到目标形象上
Step 4  声音合成 + 数字人  ── 生成音频、驱动口型
Step 5  剪映后期           ── 拼接、加音乐、加转场、加 AI 显著标识

用一张流程示意图表达就是：

flowchart LR
    A[家属提供的<br/>原始照片/音频/视频] --> B[Step 1<br/>形象图生成]
    B --> C[Step 2<br/>图生视频]
    B --> D[Step 3<br/>动作迁移]
    B --> E[Step 4<br/>声音合成<br/>+数字人]
    C --> F[Step 5<br/>剪映后期整合]
    D --> F
    E --> F
    F --> G[成片<br/>+AI 显著标识]

几件事请一开始就在脑子里锁死：

• 一切从"素材授权"开始。 素材还没到手、授权还没落纸，工作流不启动。
• 形象图是一切的锚。 后面所有视频节点，都以第一步生成的形象图为参考图，人物一致性靠它兜底。
• 音画与视频是两条并行链，最后在剪映合流。 不用非要串行做，理解并行结构可以省很多时间。
• 合规标识不是"最后想起来加一下"的步骤，而是流程的一部分。 Step 5 里的显著 AI 标识跟音乐、转场是同等地位的必选项。

2.2 各步骤对应的平台与工具

用一张表把"哪一步用什么工具"钉死，避免你在实操时反复切来切去：

平台侧再强调三点：

• LiblibAI 2.0 是我这套流程的"总控台"，它把可灵、通义万相、海螺、Vidu、PixVerse 等国产头部视频模型全接进了同一个节点式画布，我基本不用出这个界面就能做完前三步。
• 即梦（豆包旗下） 对语音生成 + 数字人这条链路做得最完整，尤其是"用真人的一段音频参考、生成同音色的新句子"这类能力，直接封装成了模块化操作。
• 剪映 是国民级剪辑器，它的地位在这套流程里被严重低估——AI 显著标识、片头片尾、免责声明这些合规动作最终都在这里落地。

2.3 三条常见"通路"

按输出目标不同，我一般把流程再收敛成三条通路，这三条通路你都要眼熟：

• 通路 A · 静态照片型： 只做形象图 + 一小段轻微动作视频（例如微笑、眨眼），不做说话。适合"照片墙"式的纯纪念场景，风险最低。
• 通路 B · 动作迁移型： 在通路 A 基础上，加上"参考真人动作 → 迁移到形象"，例如让形象向镜头挥手、比心。风险中等，但动作要设计得克制、庄重，不做花哨或戏谑的动作。
• 通路 C · 口播互动型： 加上语音克隆 + 数字人口播，让形象"说一段话"。这是风险最高的一条通路，必须完成书面授权 + 显著标识 + 内容审慎三件套才能考虑推进。

我的建议是：先在通路 A 里把工作流跑熟，再慎重评估是否推进到 B 和 C。 技术能力和使用边界，不是同一件事。

三、平台与模型盘点：谁负责什么，一次讲透

跑通流程之前，最容易劝退新手的是"模型太多、平台太多、不知道该点哪个"。我把这套流程会用到的四个平台按角色拆开讲，你可以照着自己的账号情况对号入座。

3.1 LiblibAI 2.0：整个流程的总控台

LiblibAI 是国内老牌 AI 图像社区，从 Stable Diffusion 时代做起，后来一路把模型库、社区、算力、工作流全部整合进了 2.0 版本。它现在的产品形态可以粗略理解为：一个跑在浏览器里的 AI 创作工作台，把国内头部图像与视频模型都做了统一接入。

我最常用的三个关键能力：

• 节点式画布： 把"选图片、连提示词、接视频模型"变成拖拽即可完成的可视化工作流，也就是各种教程里常说的"节点式画布"。
• 多模型聚合： 2.0 之后，可灵、通义万相、海螺、Vidu、PixVerse 这些国产头部视频模型都可以在同一个画布里挑着用，不用再挨家挨户开会员。
• 工具箱： 背景消除、局部修复、超分放大、扩图、换脸等原子能力都在同一个面板里，可以塞进工作流里的任一节点前后。

对我们这套数字纪念视频流程来说，LiblibAI 是负责图像生成 + 图生视频 + 动作迁移这三步的主战场。

3.2 可灵（Kling）：视频层的主力

可灵是快手系发布的 AI 视频模型，目前是国内图生视频、视频动作迁移方向公认的第一梯队之一。它在 LiblibAI 里以模型选项出现，也可以在其官方站点直接使用。

对本文流程有用的几个能力档位：

• 可灵 3.0 / 高版本：图生视频，把一张目标形象图动起来，5 到 10 秒左右一个片段。
• 可灵动作迁移：以一段真人参考视频作为动作参考，把动作套到目标形象上，适合做"迎面走来、招手、扶栏杆"这类偏静态但需要人味的动作。
• 可灵 O 系（专注电影化叙事）：镜头感更强，适合有一定运镜诉求的短片。

积分成本上，图生视频比纯文生视频贵，音频开启后再贵一档，时长越长越贵。这是我做流程规划的第一原则——能不用音频就不用音频，把说话的部分交给即梦去做更划算。

3.3 即梦（Jimeng）：声音与数字人的主力

即梦是字节旗下的 AI 创作平台，跟豆包、剪映共用账号体系。它的底层模型走的是字节自家的 Seedream（图像）和 Seedance（视频）系列。

在本文流程里，即梦的分工非常明确——只承担"声音"和"口播数字人"两块：

• 声音生成 / 声音克隆： 上传一段不超过 15 秒的音频参考，即可生成同音色的新句子，支持中英文和主要方言。
• 数字人大师模式： 输入一段音频 + 一张人物形象图，输出对应口型和微表情的视频。
• 视频生成兜底： 遇到复杂运镜或者可灵不擅长的场景，也可以在即梦里用 Seedance 2.0 出片，只是我不常这么做。

关于合规，即梦官方页面明确写着：豆包 App、即梦 App 支持真人出镜时，用户需要先通过录音录像完成真人校验，才能生成本人形象的数字人分身。而在网页版、电脑端等场景中，平台明确提示暂不支持上传真人人脸素材。这条平台侧规则本身就是合规抓手，你在实操时会撞上。

3.4 剪映：被低估的最后一公里

剪映在整套流程里做四件事：

• 视频节点的关键帧导出，供动作迁移使用。
• 多段素材的拼接、转场、音乐匹配。
• 音量控制、背景音乐与人声的平衡。
• AI 显著标识水印 / 片头片尾的免责声明添加。

特别提醒： 剪映和即梦共享账号体系，你在即梦里生成的素材可以直接同步到剪映草稿箱，这个链路是官方打通的，不用来回下载上传。

3.5 快速对比一张表

关于价格与积分： AI 平台调价非常频繁，2026 年国内视频模型经历了几轮涨跌，具体到某个套餐今天多少积分、多少一分钟，本文写作时的近似情况和你看到时可能已经完全不同，请务必以各平台官方定