新人实测 6 款视频模型做数字人教学视频,无一能完整过关

Warshawski001 · reddit · 2026-11-20

一位公司技术负责人想用 ComfyUI 生成软件培训视频——因本人镜头恐惧、录音不清晰,他希望用参考照片生成 5 秒的"说 Follow Me 后转身走开"数字人片段,并逐一实测了多款视频模型:Veo 3.1 Lite 会加多余手势且台词结巴重复;Omni1.2 Flash 效果最好但完全改变了参考照片的场景;MiniMax H3 保留了场景但台词完全不知所云;Pika H3 Flex 动作更顺滑但像绿幕抠像,且走路时身材缩放异常;Wan 2.2 动画诡异还会蹦跳一下。他尚未找到能同时保人脸、保场景、保台词的方案,正在纠结继续用静图生成还是改用真实录像加角色替换。帖子反映了当前参考图转视频(reference-to-video)在做数字人口播场景下的真实水位:单点能力尚可,三者兼得仍无解。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →