简单来说就是图片转口播的的功能。

用户上传一张图片，然后生成一些简单的动作视频，声音克隆，最后把声音与动作视频合并一起，对口型。

使用本地的电脑生成速度慢，硬件要求高，那改全部使用第三方接口费用高。而且效果一般般，还在研究中怎么优化得更好。

然后，百度的绘想在前段时间就出了类似功能，还有一个叫 gaga 的，他们直接使用图片，然后根据文字的描述就可以生成视频，体验完他们的产品后发现这产口质量比我本地生成的效果好多了。

心情好烦，近期没动力继续动手，想着换个方向干点别的吧。