前幾年社群平台上流行過一類內容：一張黑白老照片裡的人忽然眨了眨眼，開口講起話來。很多人第一次意識到「照片也能說話」，就是從這類影片開始的。做這件事的技術並不神祕，行業裡叫說話頭像生成——給它一張人臉和一段語音，它就能預測嘴部、眨眼、眉毛與頭部的動作，再把畫面渲染出來與音訊對齊。

D-ID 是這個方向裡做得最早、也最成體系的一家。它把這些能力打包成了一個可用的平台：既能做離線的數位人影片，也能做可以即時對話的可視化智能體。

一張照片就夠

D-ID 的門檻低得有點反直覺：上傳一張人臉照片，配一段文字腳本或音訊，就能得到一段這個人在講話的影片。官方在 API 說明裡的說法是「一張圖像就足以建立一段說話頭像影片」，不需要三維建模，不需要動捕設備，也不需要本人到場。

輸入的圖片有明確限制：單張不超過 10 MB，支援 JPEG、JPG 與 PNG 三種格式。成片統一輸出為 MP4，標準數位人的解析度上限是 1280×1280；想要 1080p，需要使用帶 HQ 標記的 Premium 數位人。

另一條容易被忽略的限制是時長：無論是在網頁版還是在 API 裡，單條影片的長度都被限制在 5 分鐘以內。這意味著它適合做講解、說明、問候這類短內容，指望它一口氣生成一整節課並不現實——長內容需要拆成多段分別生成。

說完中文還能說另外 119 種

生成只是第一步，D-ID 真正被企業拿去用的原因在本地化。官方口徑是平台支援 120 多種語言的影片生成與即時互動。同一張臉可以在不同語言版本裡保持完全一致，不會因為是另一個語種就換一個人。

如果手上已經有成片，D-ID 提供影片翻譯：點幾下就能把整段影片翻譯成多種語言，並且會複製原說話人的聲音，同時把唇部動作適配到新語言上，而不是簡單地疊一層配音。做全球發布的團隊最省事的其實是這一點——同一份素材，一次生成，多語言版本同時到位。

能即時對話的數位人

近兩年重心明顯移到了 Visual Agents 上：不再是生成一段固定影片，而是生成一個能聽、能答、有表情的即時數位人。

官方給的效能指標是回答準確率超過 90%、回應在兩秒以內。建置過程分成幾步：挑一個數位人（可以用成品形象，也可以做本人的分身），選一種聲音（合成音色、複製自己的聲音或上傳音訊），定義角色與性格，接入知識內容，再掛上 webhook 讓它能觸發外部動作。

知識庫部分支援上傳檔案，官方限制是最多 5 份、每份最多 50 萬個字元；大模型可以接入任意供應商，也可以自帶。這些檔案裡的內容不會進入大模型本身，只作為檢索來源，所以把內部資料餵給它是可行的。

部署方式上，智能體可以嵌入網站、應用、學習管理系統、客服入口、行動端甚至線下一體機。官方為所有人提供 200 次免費對話用於上手，之後按方案計費，智能體的用量按每 15 秒半個積分折算。

合規這條線

讓一張陌生人的臉開口說話，天生帶著濫用風險，所以 D-ID 在合規上花的心思比同行多。它已取得 ISO/IEC 27001、ISO/IEC 27017、ISO/IEC 27018、ISO/IEC 42001 等一系列認證，並通過 SOC 2 認證；其中 27018 針對雲端環境中的個人身分資訊保護，與 GDPR 直接相關。Studio 頁面另外提到 TISAX 與完全符合 GDPR。

更實際的一條承諾是：你的影片、腳本、檔案與分身始終歸你所有，平台不會拿這些內容去訓練模型，所有資料在傳輸中與靜態儲存時都加密。對於要把內部培訓材料或客戶資訊放上去的企業，這條比認證編號更有說服力。

開發者與方案

除了網頁版的 Studio，D-ID 提供完整的生成式 API，可以把它嵌進自己的產品裡批次出片。官方說明把影片能力分成幾代：V4 Expressive 支援帶情緒的表達，V3 Pro 輸出 Full HD 並帶自然肢體動作，V3 Instant 用自己拍的素材定製分身，V2 Photo 則是從一張照片生成說話頭像。此外還有即時串流介面、SDK 與可嵌入元件。

方案分為 Trial、Lite、Pro、Advanced 與 Enterprise 五檔，官方定價頁按方案列出金額與包含的影片時長。幾個與選型直接相關的差異是：Trial 帶全螢幕浮水印，但已可使用 1080p 的 Premium 分身；Lite 仍有浮水印，且完全不支援 Premium 分身，解析度被鎖在 1280×1280；Pro 去掉浮水印並解鎖 1080p，是實質上的商用起點；Advanced 提高用量與權益；Enterprise 提供定製用量、私有化部署與專屬支援。

兩條計費細節要留意：包含的時長按月計算，未用完不會結轉到下個月；透過 API 消耗的時長與網頁版共用同一個餘額。用量起伏大的團隊，建議按峰值以下的量來選檔，而不是為一次尖峰買單。

它適合誰

優勢在門檻與彈性：一張圖就能起步，既能在網頁裡幾分鐘出片，也能用 API 批次生成，還能做成即時對話的智能體掛在官網上。對需要把同一份內容鋪到多個語言市場、或者想要一個 24 小時在線的講解員的團隊來說，這套組合很實用。

但它也有清晰的邊界。5 分鐘的時長上限決定了它做不了長課程；Lite 檔不支援 Premium 分身，解析度也要打折扣；想要真正去掉浮水印、拿到 1080p，至少要從 Pro 檔起步。另外，分身的表現力仍然集中在講話這一件事上，需要複雜表演、真實場景拍攝的內容，它替代不了。

用之前還有一件事值得先想清楚：你準備讓誰的臉開口說話。如果用的是他人照片，授權問題比技術問題更難處理，這一點在官方的倫理條款裡也被反覆強調。

這類工具最合適的用法，是把需要有人出鏡講一遍的重複性內容交給它，把真正需要真人出場的表達留給真人——省下的不是製作費，而是等待排期的時間。