互动头像：如何与头像进行实时直播对话

互动头像是「视频头像」板块里的直播会话：头像根据你的文本或上传的音频实时开口，结果立刻以直播链接返回。它和普通头像视频有本质区别：成片要渲染好几分钟，而直播会话几秒内就开始说话，而且你可以在直播过程中不断补充文本。下面讲清楚：这是什么工具、有哪几种模式、怎么开始会话、要花多少钱。

它是什么、适合谁

普通头像视频是「录制」：你设定文本、等待渲染、拿到成品文件。互动头像则像一场直播。会话一开，头像立刻开口，你实时操控它：补充新台词、停止或关闭。这个形式适合「时机很重要」的场景：落地页上欢迎访客、实时回答问题、简短演示、在正式录制前试脚本、会议或培训中的虚拟主持。

实时形式比普通生成快多少，看平台自己的实测：按 2026 年 9 月 7 日的遥测，5 秒 1080p 片段平均渲染约 115 秒，95% 的情况下不超过 165 秒。成品头像视频同样要在后台跑好几分钟——按平台 30 天（2026 年 9 月 3 日至 10 月 2 日）的生成日志，共启动 3,304 个视频任务，其中 2,377 个成功完成。而直播会话不受这份等待约束：它立刻开始。

三种语音来源

工具提供三种模式——按任务选择：

• 文本（Script）。输入现成文本，头像照读。适合问候、通知和事先备好的台词。
• 流式文本（Streaming text）。先给一句开场，再在会话过程中不断发送新句子——头像像在真实对话里一样继续说。适合答案边聊边想出来的场景。
• 音频（Audio）。上传现成音频文件，头像以精准口型复述（唇形同步）。当配音已经用你的声音或克隆声音录好时很合适。

「文本」和「流式文本」模式下的文本最多 5000 个字符。声音从带搜索和试听的库里选择：点声音旁的试听按钮，运行前先听一遍。

如何开始：分步操作

1. 打开「视频头像」板块的「互动头像」标签页。
2. 登录账号：访客可以浏览板块，但开始会话需要登录。
3. 选择语音来源——「文本」「流式文本」或「音频」。
4. 从现成头像库里挑一个形象。
5. 文本类模式选好声音并输入台词——可以先试听声音。
6. 「音频」模式附上音频文件。
7. 查看 token 价格——运行前显示，按会话时长计算。
8. 点「开始会话」。头像开始说话，会话出现在历史里。

如何管理会话

直播会话是流而不是文件，所以在历史里有独立状态：「直播中」「已结束」或「错误」。结束的会话可以通过直播链接打开，并在卡片里用内置播放器直接观看。在「流式文本」模式下，只要会话还在进行，就会出现发送新台词的输入框——对话无需重开即可继续。任何会话都能一键停止并从历史中删除。

要花多少钱

按会话秒数计费，最小计费块为一分钟。token 价格在运行前显示，并按与扣费相同的数据计算，所以对任何允许的输入，显示金额都等于实际扣费。会话失败时已扣费用退回。没有订阅：新用户会获得用于首次尝试的初始 token，之后按需充值。

搭配使用

• 头像与生成——录制普通头像视频。
• 文字转语音——先备好音频，再送入直播会话。
• 声音克隆——用自己的声音配音。
• 影视棚场景——把多个场景拼成一条视频。

常见问题

互动头像和普通头像视频有什么区别？

普通视频是录制：文本事先设定，然后渲染，最终得到成品文件。直播会话是流：头像立刻开口，你可以在直播中继续发送文本。前者用于成品视频，后者用于对话和即时回答。

需要一直开着标签页吗？

会话在服务端运行，结果通过直播链接可访问——你可以从历史回到它。「流式文本」模式下补充台词，开着标签页更方便。

有哪些声音和语言？

声音来自可按语言筛选的库：运行前可以搜索和试听。声音语言与模式分开选择——可以用需要语言来朗读文本。

一次会话多少钱？

按秒计费，最小计费块为一分钟；token 价格在运行前显示并等于实际扣费。没有订阅，新用户会获得初始 token。