品牌虚拟代言人 · 一张形象图出 15 秒口播成片

把品牌形象图交给 wan3.0-video，一次生成带原生人声、口型同步的 15 秒口播成片。

本篇用一张虚构的橘猫主播形象图跑通品牌口播：没有真人出镜，也没有拍摄和后期配音，把“问候 → 产品 → 卖点 → 收尾”四句台词按顺序写进同一条提示词，模型一次生成约 15 秒、自带人声和口型同步的成片。

调用链：qwen3.8-flash（可选，整理口播台词）→ wan2.7-image（生成虚构角色形象图）→ wan3.0-video（first_frame 模式，duration 15，一次生成完整成片）。

实测产出

本次一次生成约 15 秒连续口播：四句台词逐字念出，音色、角色与画面（含茶叶罐）全程一致，成片不含“AI 生成”水印。台词就是成片实际念出的内容。

角色形象图同时画出橘猫主播与茶叶罐，作为成片的 first_frame 输入。成片以它为起帧，茶叶罐因此全程留在画面里，画面保持一致：

对成片连续抽帧可以看到口型变化：相邻帧里嘴部呈闭合、微张、大张的开合变化，与台词逐字对应，口型由模型原生驱动，不是后期配音。

步骤：把四句台词写进同一次生成

两点通用设置：出图和视频命令都加 --watermark false。首帧图若带“AI 生成”水印，会原样带进视频；图片和视频都关水印，成片才不会叠加图片水印。整段台词写进同一次 first_frame 生成，音色与画面天然统一，无需分段拼接。

先设置 Token Plan 的 Base URL 和 API Key。Token Plan 的 Key 以 sk-sp- 开头，需与 Token Plan Base URL 配套使用：

export BASE_URL="https://token-plan.cn-beijing.maas.aliyuncs.com"
export API_KEY="sk-sp-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

①（可选）把卖点整理成口播台词

# 台词短、口语化、一句一个动作；避免"必爆/最强/第一"等绝对化表述与效果承诺。
bl text chat --api-key "$API_KEY" --base-url "$BASE_URL" --model qwen3.8-flash --message \
  "给一款虚构的中式绿茶茶叶罐写 3 句 15 字以内的口播台词，语气治愈、口语化，供虚拟主播逐字念白，不使用绝对化用语。"

② 造虚构角色形象图

# 角色形象图直接让「橘猫主播 + 茶罐」同框（完整成片以它作 first_frame 起帧，保证茶罐全程在画面里、画面统一）。
# 首帧图也要加 --watermark false：图片自带的「AI 生成」水印会原样带进成片。
bl image generate --api-key "$API_KEY" --base-url "$BASE_URL" --model wan2.7-image --size "1536*2688" --watermark false \
  --prompt "一只拟人化的橘猫品牌主播，戴着黑色头戴式耳机，脖子系暖橙色方巾，端坐在中式茶室的木质桌前正面朝向镜头；桌上右手边显眼地摆着一只青绿色陶瓷茶叶罐（罐身手绘金色竹叶纹样、木质罐盖、竖排中文标签『中式茶饮罐』），旁边一只粗陶茶杯；背景是竹帘与青瓷花瓶，暖黄灯光，写实治愈风格，正面半身构图，嘴微微张开" --out-dir . --out-prefix role_cat_host

③ 完整成片 · 一次生成串起四句口播

# 把「问候→产品→卖点→收尾」四句按顺序写进同一条 first_frame prompt、duration 15，一次即产出音色/画面（含茶罐）全程统一的连续口播，无需分段拼接。
# 口型需在 prompt 中明确约束：台词逐字写入并加「嘴唇和下巴要有清晰明显的开合动作」；仅写表情（如「兴奋地喊」）会得到闭口静止的画面。
# --watermark false 关闭视频模型水印；首帧图已用同一参数生成，成片不会带入图片水印。
bl video generate --api-key "$API_KEY" --base-url "$BASE_URL" --model wan3.0-video \
  --image ./role_cat_host.png --resolution 720P --duration 15 --watermark false \
  --prompt "戴耳机的橘猫主播坐在中式茶室的木桌前，桌上右手边摆着青绿色茶叶罐，正面朝向镜头，自然地依次逐字说出下面这四句中文台词，每句说完停顿约半秒再说下一句，不要重叠：第一句“忙了一整天，先喝口热的吧。”第二句“这罐明前龙井，锁住了整个春天。”第三句“掀开木盖，豆香混着栗香一下就钻进鼻子里。”第四句“累了就泡一壶，给自己留一段慢下来的时间。”嘴部和下巴要有清晰明显的开合动作，说话时轻微眨眼、头部自然晃动，茶罐与角色形象全程保持一致。暖黄灯光，治愈系实拍质感，固定机位中近景。" \
  --download g_full.mp4
# 15s 长片段建议加 --async --output json 先取 task_id，再轮询 GET $BASE_URL/api/v1/tasks/{task_id} 到 SUCCEEDED 后从 output.video_url 下载，避免默认轮询超时。
# 一条成片即含四句连念、音色画面全程统一；若只需某一句，直接从 g_full.mp4 按时间轴截取片段即可，无需另行生成。

说明

• 消耗：本玩法最多三次调用：文本（qwen3.8-flash）1 次、出图（wan2.7-image）1 次、视频（wan3.0-video）1 次。视频消耗明显高于文本和出图；15 秒长片段建议使用异步任务：先提交取 task_id，再轮询查询到 SUCCEEDED 后下载，避免长时间轮询超时。实际 Credits 消耗以控制台“用量统计”为准。
• 一次生成：四句台词放在同一次 first_frame 生成里，音色、角色和画面天然统一，不需要分段拼接，也没有接缝。口型是否明显，取决于提示词里有没有写清嘴唇和下巴的开合动作。
• 首帧：角色和产品画在同一张形象图里，产品才能全程留在画面中。换真实品牌时，把形象图换成已授权的素材，产品可以一并画进首帧，台词换成合规文案。
• 合规：演示中的角色、茶叶罐和台词均为虚构，不含真人肖像、真人录音和第三方商标。本页首帧图和视频均按 --watermark false 生成，成片不含“AI 生成”水印；需要保留该标识时，出图和视频都省略此参数（使用 Profile 配置，CLI 默认 true）或传 --watermark true。对外发布 AI 生成内容时，请遵守适用的 AI 生成内容标识要求；本页关闭水印仅用于演示素材制作。