Gemini Omni 语音参考教程：生成一致的虚拟形象视频

AI 概览

Gemini Omni 能否使用我的声音作为参考？

可以，通过引导式人脸与语音录制创建的个人虚拟形象实现。Google 并未将任意音频文件的语音克隆列为标准流程。

创建个人虚拟形象需要什么账户？

您需年满 18 周岁，使用个人 Google 账户登录，并符合该功能的使用资格。虚拟形象视频制作需订阅 Google AI 计划。

如何在新提示中调用同一虚拟形象？

从上传菜单中添加该虚拟形象，或输入 @ 后选择您的 Google 用户名。请明确指定口播脚本、动作、镜头及环境设置。

如何提升各视频片段间的语音一致性？

重复使用同一虚拟形象，保持语言风格与表达指令稳定，并在批准序列前，在完全相同的检查点对比导出的各片段。

Gemini Omni 中“语音参考”的含义

使用已文档化的个人虚拟形象路径

搜索 Gemini Omni 语音参考教程 的用户通常期望一个实际成果：生成一位在多个视频片段中外观与声音均清晰可辨、始终如一的演示者。在 Gemini Apps 中，官方文档支持的路径是创建个人虚拟形象。您需完成一次引导式注册流程，录制自己的面部与语音，随后在生成 Gemini Omni 视频时调用该可复用的虚拟形象。这不同于上传任意说话人样本并要求模型进行克隆。

这一区别至关重要。Google 当前帮助页面指出：Gemini Apps 可通过您的虚拟形象，以您本人的声音与样貌生成全新 AI 内容；但并未描述一种面向他人的开放式语音克隆工具。请围绕账户持有人自身的注册流程构建工作流，并仅使用您被授权使用的面部、声音、脚本及品牌素材。

此编辑图片用于展示受控录音环境；并非 Gemini 界面截图，亦非声称的模型输出结果。

将语音身份与表演指导分离

虚拟形象提供可复用的身份锚点。您的提示词仍负责指导具体表演：台词、语速、情绪基调、手势、构图与场景设定。语音参考无法修复模糊的脚本、嘈杂的注册录音，或在八秒内要求多种互斥情绪的提示词。请将身份与表演视为两个独立的控制维度。

前两至三次运行时，请使用同一简短测试脚本。若文字不变而语音发生变化，则存在一致性问题；若因重写脚本导致时长变化，则属于文案变量。这种分离使修改变得有效，而非随机。

如需更广泛的跨模型决策参考，请参阅 Gemini Omni 与 Seedance 2.5 对比。该对比页面聚焦模型选型意图；本指南则专注虚拟形象语音任务。

录制前确认访问权限

核实账户、年龄、订阅计划与地区

Google 当前列出了多项虚拟形象使用门槛。账户持有人须年满 18 周岁，并使用个人 Google 账户登录。虚拟形象可用性受地区限制；Google 表示，目前欧洲经济区（EEA）、瑞士及英国暂不支持该功能。虚拟形象体验当前仅支持英语。使用个人虚拟形象制作视频需订阅 Google AI 计划。

请打开 Gemini Apps，查找“添加文件”→“更多上传”→“虚拟形象”。若未显示“虚拟形象”选项，请勿耗费时间重写提示词。请先核实当前登录账户、订阅计划、语言设置及地理位置。产品可用性可能变动，因此您实际可访问的界面，比旧教程截图更具权威性。

Google 通用的 Gemini Omni 视频工作流也支持具备合格 Workspace 权限的企业或学校账户，但个人虚拟形象说明明确限定为使用个人 Google 账户注册。请勿假设 Workspace 账户会自动启用相同的虚拟形象控制功能。

准备洁净的注册环境

注册质量始于模型读取提示词之前。请将手机置于与眼睛齐平的高度。使用均匀光线，确保眼睛、鼻子与嘴巴清晰可见且无反光。摘除口罩、帽子及深色眼镜。选择一间安静房间，避免他人说话声、风扇声、交通噪音或背景音乐。确保背景中无人物或其他可见面孔。

一次简易校准即可减少变量：手机与眼齐平、均匀的窗边自然光、安静房间，以及唯一清晰可见的账户持有人。

请自然朗读系统提供的注册台词。除非您日常说话风格即如此，否则请勿刻意模仿商业播音员。该参考录音应捕捉一个可重复的基准状态，而非一次无法复现的单次表演。若界面提示录音不合格，请选择“重录”，切勿强行将质量欠佳的注册录音投入生产。

录制并调用个人虚拟形象

完成引导式人脸与语音采集

在电脑端打开 Gemini Apps，依次选择“添加文件”→“更多上传”→“虚拟形象”，再用手机或平板扫描二维码。按移动设备上的指引完成面部与语音录制，返回电脑端后选择“使用虚拟形象”。此采集过程需启用摄像头与麦克风权限。Google 表示，该虚拟形象与账户持有人相关联，且用于注册的录制自拍和语音数据在虚拟形象创建完成后即从其系统中删除。录制前，请务必查阅当前屏幕上的条款与隐私信息。如果该虚拟形象将用于公司教程，请事先获得演示者对具体脚本内容及分发渠道的批准，并同时获得其对初始采集环节的授权。

关于 Google 演示产品中一个相关但不同的工作流，请参阅 Google Vids 个人虚拟形象教程。在编写团队流程文档时，请将该路径与 Gemini Apps 明确区分开来，以便编辑人员清楚自己正在使用 Gemini Apps 还是 Google Vids。

主动调用同一身份

新建一段 Gemini Omni 视频，从上传菜单中添加虚拟形象，或输入 @ 后选择您的 Google 用户名。该用户名标记即为身份标识。将需口述的语句置于英文引号内，随后描述表达方式、可见动作、景别、摄像机行为及环境。

一种紧凑型提示词模式如下：

@[Google username] 表达：“今天我将向您展示如何居中放置一只陶土碗。”语气沉稳、教学性强；“今天”后作一次简短停顿；自然地用手势指向拉坯机；中景；固定机位；安静的日光陶艺工作室；吐字清晰；无背景人声；不添加字幕。

请勿在测试中一次性叠加服装更换、移动镜头、拥挤场景及长篇讲稿。应首先验证在稳定镜头下，声音与面部表现是否仍可正常使用；之后每次经批准的迭代中仅增加一项制作变量。

提示生成一段简短的语音主导视频

面向时长与口语节奏撰写脚本

口语文案实际占用时间。渲染前，请用秒表朗读该句。对于短片段生成，一句清晰明确的句子比将整段文字压缩成急促语速更稳妥。请明确标注一处停顿、一处重音及一种情绪导向。避免使用可能被误认为对话内容的舞台指示。

保持词汇口语化。数字、缩写、品牌名称及非常见专有名词应进行音素简化处理，或重写为更易发音的句式。若发音准确性至关重要，请先单独测试该词的发音效果，再构建完整场景。此时也应决定字幕是后期添加，还是直接嵌入画面生成。

Seedance 2.5 声音一致性指南 提供了一份补充性核对清单，适用于项目超出单个虚拟形象片段时的节奏控制、说话人轮换及跨镜头审查。

分别给出音频与视觉指令

将音频要求写为一句话，视觉要求另写为一句话。“清晰、近距收音，无混响”描述的是声音；“中近景、固定机位、柔和的窗光”描述的是画面。分离二者有助于更精准定位问题根源。

Seedance 编辑类对话样例，用于评估语音时序与面部运动

此为现有 Seedance 编辑输出，非 Gemini Omni 基准测试。仅可用作语音时序、面部运动及背景音效的审阅参考。

若语音正确但画面有误，请修改关于摄像机或环境的描述；若画面合适但语音不清，则应缩短语句并简化表达方式。原生音频视频指南 详细说明了如何将对话、环境音与画面作为独立图层分别审阅。

在规模化应用前审核语音与形象一致性

对每次导出均执行相同的三项检查点

下载生成的视频，并在创作界面之外进行审阅：先闭眼听一遍，再静音观看一遍，最后同步视听一遍。在视频开头、中段及结尾一秒处，分别对说话人身份辨识度、发音准确性、语速节奏、口型同步性、面部稳定性、手势表现、背景音效及后期可编辑性打分。

审阅过程应产出可追溯证据：文字转录批注、时间码标记，以及明确的“保留”、“修改”或“否决”决策。

仅采用三种结果判定：
保留（Keep） —— 当人物身份始终可识别、语句清晰可懂、片段干净利落地结束时；
修改（Revise） —— 当存在单一可控问题（如语速、发音、手势或构图）且无需重构整体概念即可调整时；
否决（Reject） —— 当身份特征发生偏移、语音完全不可用，或结果引发知情同意或品牌风险时。

保存审批记录

请存档原始提示词、脚本全文、账户路径、虚拟形象版本、生成日期、导出文件及审阅笔记。切勿依赖聊天历史作为生产归档依据。若后续出现发音变化，该记录可明确显示原因来自新脚本、新虚拟形象注册，抑或模型更新。

完成的编辑类创意应延续参考帧中确立的演示者形象、工作室环境及教学语调。

对于多镜头作品，请使用 Seedance Agent 将创意简报转化为分镜计划，将参考角色与脚本绑定至对应镜头，审阅实际输出，并仅重跑薄弱片段。它不能替代知情同意或语音授权流程，但可在上述关键决策完成后显著降低协调工作量。

结论可靠的 Gemini Omni 语音参考 工作流始于已记录在案的个人虚拟形象注册流程，而非假设任意音频文件均可克隆任意声音。请先确认注册资格，在安静且受控的环境中录制一位账户持有人；调用同一 @username 虚拟形象；首段脚本应简短，并分别审核语音、肖像与动作。当经批准的出镜人需呈现更长序列时，请将相关素材、脚本及参考内容移入 Seedance 的视频制作工作流，以便逐镜头规划与修正，同时不丢失原始语音决策。