克隆人视觉模型训练 从照片到视频动效

素材类型

视觉模型的训练素材可以来自：

• 照片：清晰的正面人像照片，多张不同角度和表情效果更好
• 短视频：30 秒到 2 分钟的人像视频，包含自然的头部动作和表情变化

照片和视频结合使用效果最佳。

效果表现

视觉模型训练完成后，克隆人的视频通话会表现出：

• 稳定的面部外貌（不会每次通话都长得不一样）
• 根据对话内容产生的自然动效（微笑、眨眼、轻微转头）
• 与声音模型的口型同步（目前仍在优化中）

不同版本的视觉效果差异明显——建议使用最新版本以获得最佳体验。

视觉模型的局限

目前视觉模型仍有几个已知局限：

• 面部细节在低光环境下可能不稳定
• 快速转头或大幅表情变化可能出现帧率跳变
• 视频通话时的带宽质量直接影响画面流畅度

超级自然容貌（规划中）

在平台早期介绍中，小冰团队提到未来计划推出「超级自然原声」和「超级自然容貌」服务。这两项服务旨在通过更多训练数据，让克隆人的声音和外貌达到接近真人直播的质量。截止目前，该功能的上线时间表尚未公开，可以持续关注版本更新公告。