AI Talking Head 是一个专门用于生成 AI 口播视频、演示者内容和唇形同步视频的技能。当你需要一个人（真人或 AI）对着镜头讲话时，可以使用该技能。它可以从 ai-creative-workflow、ai-creative-strategist 路由过来，或直接响应相关请求。
用途
该技能解决的问题：口播视频是最有说服力的内容形式，但自己录制耗时且需要自信，专业演示者费用高昂（每条视频 500-5000+ 美元），UGC 创作者每条收费 100-500 美元且可能不符合品牌调性，迭代脚本意味着要重新拍摄全部内容，手动规模化个性化视频几乎不可能。
解决方案是 AI 口播视频，它可以：在几分钟内生成专业演示者视频；让你在不重新录制的情况下迭代脚本；为 A/B 测试创建无限变体；保持一致的品牌演示者身份；以经济高效的方式规模化个性化触达。
关键突破在于将虚拟形象生成与唇形同步结合，从而创建一致的“品牌代言人”，无需重新拍摄即可更新任何脚本，快速测试多种演示者风格，以 10 倍速度制作视频内容。
演示者风格探索
根据 ai-creative-strategist 的关键洞察：不要用一种风格生成后就寄希望于它奏效。首先要探索真正不同的演示者风格。
风格探索流程分为四步：第一步，生成 4-5 种不同的演示者风格（不是同一个人换衣服，而是根本不同的演示者原型，各自讲述不同的故事）。第二步，确定获胜风格（评估哪种演示者最符合品牌声音、最受受众信任、契合内容类型、能量水平合适、可跨多个视频使用）。第三步，提取演示者原则（包括人口统计特征、环境、着装、表达方式、音频等要素）。第四步，跨内容应用（所有未来视频保持一致，同一演示者即品牌识别，脚本变化而非演示者变化）。
演示者原型
企业权威型：适用于 B2B、金融服务、医疗健康、企业 SaaS、专业服务。视觉公式包含 30-50 岁、专业外形、现代办公室环境、商务正装、自信沉稳的能量。
亲切朋友型（UGC 风格）：适用于 DTC 品牌、消费品、健康、美妆、生活方式。视觉公式包含 25-40 岁、休闲但整洁的着装、明亮的现代公寓/厨房/家庭办公室、自然窗光、真诚温暖的笑容。UGC 脚本模式包括发现型、测评型、对比型、转变型。
活力创作者型：适用于 Z 世代产品、娱乐、游戏、潮流 DTC、社交应用。视觉公式包含 22-35 岁、彩色潮流着装、内容工作室带环形灯/霓虹灯、动态照明、动画表情、高能量表达。
专家讲师型：适用于在线课程、专业服务、B2B 讲解、教程。视觉公式包含 30-55 岁、智能休闲或学术风格、书房/办公室带书籍/白板、平衡照明、深思熟虑的表情、耐心教导的语气。
生活方式向往型：适用于奢侈品牌、高客单价服务、向往型 DTC、旅游、房地产。视觉公式包含 30-50 岁、高雅休闲着装、美丽室内/风景地点、黄金时刻或设计师照明、放松自信的风度。
视频模型
生成演示者视频时，可用以下三个模型：Sora 2（openai，约 80 秒，通用质量优秀，人脸表现好）、Veo 3.1（google，约 130 秒，原生音频生成，动作自然）、Kling v2.5 Turbo Pro（kwaivgi，约 155 秒，最适合人物/运动，最逼真）。策略：同一提示词跑全部 3 个模型，由用户选择最佳输出。
模型选择指南：追求最大真实感（人物质量）选 Kling v2.5 Turbo Pro；追求速度与质量平衡选 Sora 2；需要内置音频选 Veo 3.1；追求 UGC 真实感选 Kling v2.5；企业/正式场景选 Sora 2 或 Kling v2.5。
唇形同步模型
Kling Lip-Sync 用于为现有视频添加语音：可为任何视频添加配音，成本约 $0.20，速度约 1 分钟，质量优秀。使用场景包括：有很好的演示者视频但需要不同脚本；客户在视频生成后想更改信息；创建同一基础视频的个性化版本；为产品演示视频添加配音；为不同语言配音内容。
用例
唇形同步叠加：最适合为现有视频添加配音、配音、个性化。输入要求：面部可见的视频（正面朝向效果最佳）、音频文件（MP3、WAV）或文本脚本。质量提示：源视频面部可见时间应占 70% 以上；正面镜头比侧面更好；避免面部大幅移动/转动的视频；音频应清晰无背景噪音；脚本节奏应匹配自然语速。
AI 演示者生成：最适合从零创建演示者内容、品牌代言人。多模型工作流：先用 Sora 2、Veo 3.1、Kling v2.5 生成，然后按需添加唇形同步。
UGC 风格内容：最适合真实感言、产品测评、社会证明。UGC 公式：亲切的人 + 休闲场景 + 自然光 + 真实表达 + 真诚反应 = 可信的 UGC。UGC 真实感标记包括：略微不完美的构图、自然光（非影棚）、休闲着装、真实反应而非摆拍、个人空间作为背景、与镜头有眼神交流。
个人品牌系列：最适合思想领袖、课程创作者、教练、顾问。一致性公式：一次建立，永久使用——相同的演示者外观、相同的场景/背景、相同的着装风格、相同的能量水平、相同的照明设置。只改变脚本和具体内容。
脚本掌握
时长计算规则：自然对话语速下约每分钟 150 词。15 词约 5 秒（社交钩子），30 词约 10 秒（Instagram Reel），45 词约 15 秒（TikTok 最佳），60 词约 20 秒（短感言），90 词约 30 秒（产品讲解），150 词约 60 秒（完整感言）。
脚本结构：钩子-价值-CTA（15-30 秒）；问题-激化-解决（30-60 秒）；前后对比（15-30 秒）。
语气模板：专业/企业型、休闲/UGC 型、专家/教育型、活力/销售型、向往型。
平台适配
TikTok/Reels（9:16）：竖屏，最佳 15-30 秒，保持面部/文字在中心 60%，更高能量表达，更快节奏，前 1-2 秒设置钩子，可接受跳切，休闲/真实感。
YouTube（16:9）：横屏，30-120 秒，更从容的节奏，可更长，更专业的设置，留出 B-roll 整合空间，有片头/片尾结构。
LinkedIn（1:1 或 16:9）：最佳 30-60 秒，专业但个人化，专业外观、商务场景、思想领导力语气、价值优先的信息、可信度信号。
Instagram Stories（9:16）：竖屏，每条最多 15 秒。