用途：当选定服务商为 D-ID，或用户需要 D-ID 口播数字人、照片转说话视频、主持人片段、表情化数字人、交互式视觉智能体、实时数字人直播，或基于 D-ID 的本地化/客服/培训流程时使用本技能。D-ID 主要面向真人出镜类视频（人脸或主持人按文本或音频对口型），不是通用电影级视频生成器；涉及物体交互、产品操作、全身动作编排、多镜头叙事运动或电影级运镜时，应改用更广泛的视频生成或合成流程，D-ID 仅负责主持片段。
路线选择：具体静态人像说话用 V2 Photo Avatar / Talks（POST /talks）；成品库存主持人用 V3 Pro Avatar / Clips（POST /clips）；需可复用定制视频数字人用 V3 Instant Avatar 或 V4 Expressive Avatar 创建；需表情情感与新一代行为用 V4 Expressive / Scenes（POST /scenes）；需实时对话用 D-ID Agents、Agents SDK、Streams API、Embed SDK；需批量个性化用 D-ID API 任务或 Studio 活动。
生产前置：确认 API key 与积分（GET /credits）；确认商用权利与套餐限制，试用/访客输出可能有水印或限非商用；确认真人肖像与声音授权；确认输入是否含个人数据并最小化。选择文本脚本还是外部音频，规划文件托管位置，并在生成前建立质检清单。
输入准备：V2 源图用正面、光线良好、单人清晰人脸，头部与肩部构图，避免侧角、遮挡、墨镜、张嘴与杂乱前景。V3 用 GET /clips/presenters 列出主持人及 presenter_id；基于自有素材的定制 V3 Pro 需联系 D-ID。定制化身与同意素材需通过同意验证（POST /consents、POST /scenes/avatars 的 consent_id）；同意失败或缺失时不得用静态照片、相似人或克隆声音绕过。
脚本与语音：可用文本或音频；GET /tts/voices 可按 Amazon、Microsoft、Azure OpenAI、ElevenLabs、Google 筛选，部分端点支持 x-api-key-external 传入 ElevenLabs 密钥。句子宜简短、一句一意，拼出罕用发音与缩写，安排停顿，按目标文化本地化含义。音频上传 POST /audios 会转为 16kHz WAV，支持 audio/ 与 video/，限 6MB，临时保存 24-48 小时，需自行留存副本。
API 生命周期：创建或选择化身/主持人，提供脚本与语音配置，添加 name 与非敏感 user_data（勿放密钥或 PII），生产建议用 webhook，否则轮询对应 GET 端点；使用 result_url 时用受控 HTTPS 或预签名地址，并及时下载到自有存储，记录任务元数据以便审计。
实时智能体：Agents 是基于自有知识回答的 AI 助手，可用于营销、客户互动、教育与培训；需定义职责、拒绝边界与转人工规则，选择化身类型（创建 agent 需 presenter 对象），选择 LLM 路径，清理知识文档后再接入，设置开场白，按域名白名单启用嵌入，并测试延迟、打断、麦克风权限、浏览器兼容与降级为纯文本聊天。Agents SDK 支持 Talks（V2）与 Clips（V3）通过 WebRTC 流式，Expressives（V4）通过 LiveKit 流式；SDK 偏前端，Agent 与 Knowledge 创建应经 Agents API 或 Studio。
安全与权利：真人脸或声音无授权、涉及儿童/员工/客户/患者/学生/政治人物/名人等敏感身份、脚本冒充或欺骗、含第三方 IP、隐私或生物特征数据、要求去除或隐藏 D-ID 合成标记与水印、或用于广告、受监管行业、政治说服、招聘、教育评估、医疗、金融、法律、公共服务公告而未额外审查时，应先暂停并解决。对外披露可写为“本视频使用了由 D-ID 生成的 AI 数字人/口型同步”。
质检：按正常速度、半速（看口型）与目标画幅复审，检查授权、身份不误导、口型、音频、面部与手部伪影、首尾帧与封面、字幕、水印、结果已下载、元数据可复现。常见修复：名字口型弱可改拼写、换声音或外部音频；机械感可缩短句子、加停顿或改用 V4；静态照片诡异可换更正面的中性图或改用 V3 主持人。
限制：官方文档称其视频 API 支持由图像、文本、音频生成数字人视频，主要家族为 V4、V3 Pro、V3 Instant、V2；价格、可用模型、支持语言、审核类别、端点结构与套餐上限需以实时文档为准。截图与具体帧评估暂未提供。