先给结论：数字人克隆拆开就是两件事——克隆形象、克隆声音。形象要一段正脸素材（视频最好，10~60秒够用，照片也行）；声音要一段干净的人声素材（3秒能起步，10分钟以上最好）。两样各做一次，之后做视频、开直播都能直接调用，不用反复拍、反复录。这篇按实际操作顺序把全流程讲一遍，费用也给你算清楚。流程演示用我们自己在用的工具「口播匠AI」（原平头哥科技网短视频直播全能工作站，已改名），换别的软件，逻辑也大同小异。
一、数字人克隆怎么做？先分清要克隆的两样东西
很多人一上来就问“哪个软件克隆得像”，其实先得分清你要克隆的是哪一样：
- 形象克隆：把真人（脸、表情、小动作）变成能驱动出镜的数字形象——解决“人不用一直坐在镜头前”。
- 声音克隆：把音色做成固定音色包，之后打字、贴文案就用你的声音念出来——解决“不用反复录音”。
两者相互独立：只克隆声音，不露脸也能做内容；只克隆形象，也可以配别的音色。一句话：形象决定“看起来像不像你”，声音决定“听起来是不是你”。两样都想要，就按下面两节各做一遍。
二、形象克隆：一段正脸素材，等4分钟
形象克隆的素材要求核心就一条：能看清你的正脸。视频和照片都行。
- 视频：10~60秒，人正对镜头、画面稳、光线干净；别戴墨镜口罩、别多人出镜、别大幅晃头。
- 照片：没有合适的视频，一张清晰正脸照也能做，但效果上限不如视频。
操作（以口播匠AI为例）：进「数字人克隆」页，素材选视频或照片，起个名字，点「克隆形象」。软件会自动生成「形象包」，大概4分钟，进度实时显示；中途有事就点「停止生成形象包」，不用重启软件——形象还在，之后可以接着生成。完成后进“已注册形象”列表，能试看、能删除，直播和出片直接从这里调。
常见的坑：素材中途挡脸、光线忽明忽暗，形象包容易“脸崩”。发现不像别急着下结论，先换一段干净的素材重试，多半就好了。
三、声音克隆：一段干净音频，一键出音色
数字人克隆声音像不像，八成取决于素材长度和质量，软件只占两成。素材要求：
- 3秒起步、10分钟以上最佳的纯人声，越长越像；
- 别带背景音乐、别掺别人说话；挑安静环境录，空调、风扇的底噪录进去就洗不掉了；
- 素材是什么语言就把语言选对——克隆引擎支持9种语言加中文方言（比如粤语）。
操作：进「直播声音克隆」页签，选素材、选语言，直接点「一键克隆最佳音色」。软件按素材时长自动选路线：1分钟以上走高质量克隆（自动去静音、响度归一化，还原度最高）；不到1分钟走快速克隆，秒级出音。素材够长还能勾「同时生成多语气版本」——同一段素材随机取不同位置，一次出好几个语气版本（最多8个），做多账号或直播去重很实用。
没N卡也能做声音克隆，但CPU跑会慢5到10倍、首次加载模型要3到5分钟，还是建议在带N卡的电脑上做。
四、费用怎么算：三种模式，先想清楚要哪种
市面上数字人克隆的费用结构无非三种：
- 云端SaaS订阅：按月或按年付费，合成时长、克隆名额可能单独计费。不用配电脑、试水方便；但长期做内容，费用要一直续。
- 本地软件：软件加会员一次到位，素材和成片都在自己电脑上跑，适合长期批量出片、在意素材隐私的人。硬件门槛看功能——形象克隆和直播要N卡（4G以上显存，推荐6G以上），声音克隆CPU也能跑但很慢。
- 定制服务：按项目报价，适合需求复杂又不想动手的，单价最高，不适合长期自己更新内容。
拿我们在用的口播匠AI举例：会员年卡99元/年、永久会员199元，克隆在软件里本地做，不按次额外收费；硬件成本单独算——大概率你手上的电脑本来就能用，拿不准就点软件里的「适配检测」，三十多项功能挨个标出能用、能用但慢、不能用。新用户注册送24小时全功能试用，先拿自己的一段素材跑一遍再决定。怎么选：想试水就云端按月，想长期做就本地软件加一张够用的显卡。
五、最容易翻车的四个点
- 声音素材不干净：带BGM、有旁人说话，克隆出来直接不像。重录一段再克隆，这是最常见的一类。
- 形象素材糊弄：晃、挡、暗，形象包质量就差。宁可多花二十分钟，拍一段干净的。
- 克隆完不测试就批量跑：先用一两条文案试听试看，确认像了再放量。形象包能试看、音色能试听，别跳过。
- 指望几秒素材100%像：素材长度和质量决定还原度上限，“能用”和“像”是两回事，别被夸张宣传带偏。
收个尾：数字人克隆的门槛不在技术，在素材——形象一段视频、声音一段音频，各做一次、长期使用。把这两段素材准备好，今晚就能把“你”克隆出来。流程演示的工具是「口播匠AI」，在你自己的电脑上跑；没搭过直播的接着看数字人直播搭建全流程；不清楚自己电脑能不能跑，看这篇数字人直播电脑配置。图文教程在官网数字人软件教程页。