新手必看：HeyGem数字人视频系统保姆级使用教程

新手必看：HeyGem数字人视频系统保姆级使用教程

你是不是也遇到过这样的问题：想把一段专业讲解做成视频，但请真人出镜成本高、找剪辑师排期难、自己动手又不会调音配画？或者手头有一堆产品介绍文案，却卡在“怎么让它们活起来”这一步？

HeyGem数字人视频生成系统，就是为解决这类实际问题而生的——它不依赖网络上传，不绑定云服务，也不需要你懂代码或模型原理。只要你会点鼠标、会传文件，就能在本地服务器上，几分钟内生成口型自然、画面稳定、可批量复用的数字人讲解视频。

更重要的是，这篇教程专为零基础用户设计。没有术语轰炸，不讲模型架构，不提训练过程。只告诉你：点哪里、传什么、等多久、结果在哪、怎么用得更顺手。哪怕你第一次接触AI视频工具，照着做也能顺利完成第一条成品。

下面我们就从开机启动开始，一步步带你走完全部流程。全程真实操作视角，连按钮位置、提示文字、常见卡点都给你标清楚。

1. 启动系统：三步打开Web界面

别被“部署”“本地运行”这些词吓住——这个系统启动起来比打开一个网页还简单。

1.1 找到并执行启动脚本

系统预装在服务器的/root/workspace/heygem-digital-human目录下（路径以你实际部署为准）。进入该目录后，直接运行：

bash start_app.sh

小贴士：这条命令本质是启动一个Python Web服务。如果你看到终端里开始刷出类似Running on http://0.0.0.0:7860的提示，说明服务已成功启动；如果报错command not found，请确认当前路径是否正确，或检查start_app.sh文件是否存在且有执行权限（可用chmod +x start_app.sh补充授权）。

1.2 访问Web界面

打开任意浏览器（推荐 Chrome 或 Edge），在地址栏输入：

http://localhost:7860

如果你是在远程服务器上操作（比如通过SSH连接），则需将localhost换成服务器的实际IP地址，例如：

http://192.168.1.100:7860

小贴士：首次访问可能需要等待10–30秒——这是系统在加载AI模型。页面出现顶部导航栏和两个大标签页（“批量处理模式”“单个处理模式”）即表示就绪。若长时间白屏，请检查终端是否有报错，或尝试刷新页面。

1.3 查看运行状态（可选但实用）

所有后台动作都会实时记录在日志中，路径固定为：

/root/workspace/运行实时日志.log

想随时知道系统在干什么？在另一个终端窗口执行：

tail -f /root/workspace/运行实时日志.log

你会看到类似这样的输出：

[INFO] 正在加载Wav2Lip模型... [INFO] 模型加载完成，准备就绪 [INFO] 接收到新任务：audio_20251219.mp3 + video_01.mp4

小贴士：日志用中文写成，读起来毫无障碍。遇到卡顿、失败或报错时，第一反应不是重启，而是看这里——90%的问题都能从日志里找到线索。

2. 批量处理模式：一次音频，生成多条视频

这是最常用、最高效的工作方式。适合场景：同一段课程讲解，要适配不同背景/服装/角度的讲师视频；同一段产品介绍，要生成多个版本用于不同渠道投放。

2.1 上传音频：先定“声音”

点击顶部标签页切换到“批量处理模式”，你会看到左侧第一个区域写着：“上传音频文件”。

• 点击该区域，或直接把.wav/.mp3/.m4a文件拖进去；
• 支持单文件上传，也支持一次拖入多个（系统会自动取第一个作为主音频）；
• 上传成功后，下方会出现播放按钮 ▶，点击即可试听，确认音质清晰、无杂音、语速适中。

小贴士：音频质量直接影响口型同步效果。建议优先用.wav（无损）或高质量.mp3（比特率 ≥128kbps）。手机录音前，尽量关闭空调、风扇等低频噪音源；TTS合成语音建议选用“自然女声”类音色，避免机械感过强的选项。

2.2 添加视频：再选“面孔”

紧邻音频上传区的右侧，是“拖放或点击选择视频文件”区域。

• 点击后弹出文件选择框，或直接将.mp4/.mov/.avi等格式视频拖入；
• 支持多选：按住Ctrl（Windows）或Cmd（Mac）可同时勾选多个文件；
• 上传完成后，左侧会自动生成一个带缩略图的视频列表，每条显示文件名和时长。

小贴士：视频不需要剪辑好。哪怕你有一段10分钟的完整讲课录像，系统也会自动截取其中人脸清晰、正对镜头的部分进行处理。但为提升成功率，建议提前用剪映、CapCut等免费工具裁出30–90秒的“标准片段”：人物居中、正面、光线均匀、背景干净。

2.3 预览与管理：所见即所得

视频列表不是摆设，它能帮你快速判断素材是否可用：

• 点击任意一条视频名称，右侧预览区会立即播放该视频；
• 若发现某条画面抖动严重、侧脸时间过长、或背景太乱，可直接选中它，点击下方“删除选中”按钮移除；
• 想清空重来？点“清空列表”——放心，这只是删掉列表引用，原始文件仍在服务器上。

小贴士：预览时注意观察人物嘴部区域。如果视频中人物经常低头、转头、捂嘴、戴口罩，系统可能无法准确建模唇形运动，建议换一条。

2.4 开始生成：进度一目了然

确认音频和视频都准备好后，点击右下角醒目的“开始批量生成”按钮。

界面上会立刻出现一个动态面板，包含四项实时信息：

• 当前处理的视频文件名
• 进度：2/7（表示第2个，共7个）
• 彩色进度条（随处理推进逐步填满）
• 状态提示：如“正在提取音频特征”“正在驱动面部动画”“正在合成视频”

整个过程无需人工干预。你可以去做别的事，或盯着进度条感受AI工作的节奏感。

小贴士：处理时间≈视频时长 × 1.5倍（例如30秒视频约需45秒）。若某条卡在某个状态超过2分钟，大概率是该视频帧率异常或编码不兼容，可先跳过，后续单独处理。

2.5 下载结果：一键打包，即拿即用

生成全部完成后，“生成结果历史”区域会自动刷新，显示所有成品缩略图。

• 点击任意缩略图 → 右侧播放器即时播放，确认口型、表情、画质是否满意；
• 想下载单个？先点击缩略图选中它，再点旁边带向下箭头的按钮（）；
• 想全量导出？点“📦 一键打包下载”，系统会在后台生成ZIP包；稍等几秒，点击“点击打包后下载”即可保存到本地电脑。

小贴士：所有生成视频默认保存在项目目录下的outputs/子文件夹中。即使你没点下载，也可以通过FTP、SFTP或服务器文件管理器直接访问该路径获取原始文件。

2.6 历史管理：不占空间，不留遗憾

生成记录不会无限堆积：

• 分页浏览：底部有“◀ 上一页”“下一页 ▶”，每页显示12条；
• 删除单条：选中缩略图 → 点“🗑 删除当前视频”；
• 批量清理：勾选多个缩略图前的复选框 → 点“🗑 批量删除选中”。

小贴士：删除操作仅清除Web界面显示和outputs/中对应文件，不影响你本地备份。建议每周花1分钟归档重要成果，再清空历史，保持系统轻快。

3. 单个处理模式：快速验证，即传即得

当你只想试试效果、调试参数、或临时生成一条视频时，这个模式更轻便。

3.1 左右分区，一目了然

界面分为左右两大块：

• 左侧：“上传音频文件”——操作同批量模式；
• 右侧：“上传视频文件”——同样支持拖放与点击选择；

上传后，两侧均提供播放按钮，方便你边听边看，确保音画匹配度。

3.2 一键生成，结果直达

点击中间偏下的“开始生成”按钮，进度提示会以简洁文字形式出现在按钮上方，如：

处理完成！耗时：00:42

生成结果直接显示在下方“生成结果”区域，含缩略图+播放器+下载按钮，三步到位。

小贴士：单个模式适合做A/B测试。比如用同一段音频，分别搭配不同光照条件的视频，对比哪条口型更准、表情更自然，再决定批量用哪条。

4. 实用技巧与避坑指南：少走弯路，多出精品

光会操作还不够，真正用得顺、产得稳，靠的是这些来自真实踩坑的经验。

4.1 音频准备：声音是灵魂

• 推荐：纯人声录制（无背景音乐）、采样率16kHz或44.1kHz、单声道更稳；
• 避免：带强烈混响的会议室录音、夹杂键盘敲击/翻页声的音频、语速过快（＞180字/分钟）；
• 加分项：用Audacity免费软件做一次“降噪+标准化”，3分钟操作，效果立现。

4.2 视频准备：画面是载体

• 推荐：720p或1080p MP4格式、人物脸部占画面1/2以上、正脸静止、光线柔和均匀；
• 避免：手机横拍但旋转90°上传（系统不自动校正）、戴粗框眼镜反光、头发遮挡嘴角、背景大幅移动（如窗外车流）；
• 加分项：提前用剪映“智能抠像”功能去掉复杂背景，换成纯色或渐变底，大幅提升识别稳定性。

4.3 性能与效率：心里有数，不干等

小贴士：不确定服务器有没有GPU？在终端执行nvidia-smi，若有显卡信息显示，系统会自动启用加速，无需额外配置。

4.4 常见问题速查（比翻文档更快）

• Q：上传后没反应，按钮灰了？
  A：检查文件格式是否在支持列表内（音频：wav/mp3/m4a；视频：mp4/mov/avi）；确认文件大小未超浏览器限制（一般＜2GB）。

• Q：生成视频嘴不动，或口型明显错位？
  A：90%是音频质量问题。换一段更干净的录音重试；若仍不行，可能是视频中人物说话时嘴部被遮挡，换一条素材。

• Q：下载ZIP包打不开，提示“损坏”？
  A：浏览器下载中断所致。请重新点击“点击打包后下载”，或直接进服务器outputs/目录用FTP下载原始MP4文件。

• Q：想改生成分辨率或帧率？
  A：当前版本暂不开放参数调节。如需定制（如统一输出1080p@30fps），可联系开发者科哥（微信：312088415）提供二次开发支持。

5. 总结：你已经掌握了数字人视频生产的底层逻辑

回顾一下，你刚刚完成了一整套闭环操作：

• 启动服务 → 访问界面 → 上传音视频 → 批量生成 → 预览下载 → 清理归档。

这背后没有魔法，只有清晰的设计：把复杂的AI能力封装成“上传→点击→下载”三个动作。它不追求炫技，只专注解决一个核心问题——让知识表达更轻、更快、更可控。

你不需要成为AI专家，也能拥有自己的数字人摄制组；你不用投入百万设备，一台带显卡的普通工作站就能跑起来；你不必担心数据外泄，所有音视频永远留在你的服务器里。

接下来，你可以试着做这些事：

• 把上周写的周报，配上一段语音，生成30秒工作汇报视频发到团队群；
• 用产品说明书文字生成TTS音频，再驱动数字人讲解，做出系列短视频；
• 给新人培训准备10条高频问答，批量生成“数字导师”讲解视频，嵌入内部学习平台。

工具的价值，从来不在参数多华丽，而在你愿意用它去完成多少件原来懒得做的事。

而HeyGem，就是那个让你愿意开始的第一步。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。