digitalhuman

它主要用于基于人脸图片或视频的唇形同步口播。文本字段用于讲述内容，不应理解为可以仅凭场景描述生成任意视频。若要制作复杂环境、镜头或剧情，应选择更匹配的创作方式。

不必限定为视频，数字人创作也支持从人脸图片开始。入口分别提供 image_url 与 video_url，可按素材类型准备。首次使用建议先做短内容试片，确认人物表现，再沿用相同素材组织后续任务。

入口提供 audio_url，也有 text 和 voice_id 字段，可围绕录音或文稿组织创作。两类路径不宜未经验证就混用；先选定讲述方式，测试对应素材组合，再将成功的配置用于连续制作。

配套 MCP 工具支持通过短参考音频克隆声音，但视频生成入口没有专用的克隆样本字段。应先单独完成声音准备，再安排口播生成；不要将人物驱动音频与声音克隆参考素材混为一谈。

通过 POST /digital-human/videos 提交任务，响应提供视频地址及任务相关字段。采用异步流程时，可结合回调或 MCP 任务查询获取进展，并根据返回状态判断是否已有可用结果，再下载视频用于后期制作。