零基础也能用！HeyGem批量视频生成系统新手教程
你是不是也遇到过这些情况：
想给一段产品介绍配音，却找不到合适的出镜人；
要为不同平台准备多个数字人版本，结果反复上传、重复操作、下载到一半发现漏了一个；
明明AI已经能“说话”，可自己点开网页还是像在闯关——上传在哪？按钮在哪？生成完视频藏哪儿了？
别担心。今天这篇教程，就是专为你写的。
不讲模型原理，不聊GPU显存，不提Python环境——从打开浏览器开始，手把手带你把一段音频变成10个风格各异的数字人视频，全程不用敲一行命令，连“终端”两个字都不会出现。
只要你能拖文件、会点鼠标、看得懂中文按钮，就能完成。
我们用最真实的操作路径，还原一个完全没接触过AI视频工具的新手，第一次上手时会遇到什么、怎么解决、哪里最容易卡住、哪些小技巧能省下半小时。
1. 第一步：让系统跑起来（真的只要30秒）
很多人卡在第一步：系统还没启动，就去点网页，结果打不开。其实这步比想象中简单得多。
1.1 启动服务：两行命令，一次搞定
你不需要懂Linux，也不用查“bash是什么”。只需要记住这两件事：
- 你的服务器或本地电脑上，已经装好了这个镜像（也就是“Heygem数字人视频生成系统批量版webui版”）；
- 你有权限执行命令（通常用管理员账号登录即可）。
打开终端（Mac/Linux是“终端”，Windows是“WSL”或“PowerShell”，如果你用的是云服务器，就是你登录进去的那个黑框窗口），输入这一行：
bash start_app.sh回车后，你会看到一串快速滚动的文字，最后停在类似这样的提示：
INFO: Uvicorn running on http://0.0.0.0:7860 INFO: Application startup complete.这就成功了。
不需要记日志路径，不需要改配置，不需要等模型加载完成才敢操作——只要看到Application startup complete.这句话，就可以下一步。
1.2 打开网页：用对地址，少走弯路
打开你的浏览器（Chrome、Edge、Firefox都行，Safari不推荐），在地址栏输入：
http://localhost:7860这是本机访问的地址。如果你是在自己的笔记本或台式机上运行，就用这个。
但如果你是在云服务器（比如阿里云、腾讯云）上部署的，那得换成服务器的公网IP，格式是：
http://你的服务器IP:7860小贴士：怎么查服务器IP？登录云厂商后台，在“云服务器ECS”列表里就能看到“公网IP”那一列。复制粘贴进去就行，别加www，也别加https。
如果页面打开了，你会看到一个干净的界面，顶部有“批量处理模式”和“单个处理模式”两个标签——说明一切正常。
如果打不开，请先确认：
- 终端里确实显示了
Application startup complete.； - 浏览器地址没错，且没输成
https； - 云服务器的安全组是否放行了7860端口（常见问题，放行TCP 7860即可）。
2. 第二步：认识界面——不是所有按钮都要点
第一次打开HeyGem，界面看起来有点多。别急着点。我们只关注真正要用的三块区域：
| 区域 | 位置 | 作用 | 新手注意 |
|---|---|---|---|
| 顶部标签栏 | 页面最上方 | 切换“批量”和“单个”两种模式 | 先点“批量处理模式”——这才是本教程主角 |
| 左侧操作区 | 页面左边大块区域 | 上传音频 + 添加视频模板 | 🎧 音频只传一次，视频可以传很多个 |
| 右侧预览区 | 页面右边 | 播放音频、预览视频、查看生成结果 | 👀 点击缩略图就能看，不用下载 |
其他按钮，比如“清空列表”“删除选中”，等你真需要时再学。现在，我们只做三件事：传一段声音、加几个视频、点一下“开始”。
3. 第三步：准备你的素材（比你想象中更宽松）
HeyGem对文件要求很友好，不像某些工具非要你导出特定编码、特定采样率。我们按“能用就行”的原则来准备：
3.1 音频文件：手机录的也能用
- 支持格式：
.mp3、.wav、.m4a（微信语音转成m4a就能直接用）、.flac、.ogg、.aac - 推荐做法：用手机录音笔录一段清晰的人声，保存为mp3，大小控制在10MB以内（5分钟以内基本都OK）
- ❌ 避免：背景音乐太响、多人同时说话、全程带电流声的会议录音
实测案例：我用iPhone语音备忘录录了一段38秒的产品介绍，直接上传，生成效果自然，口型同步准确。没有降噪、没剪辑、没调音。
3.2 视频文件：正面人脸+静止画面=最佳效果
- 支持格式：
.mp4（最推荐）、.mov、.avi、.mkv、.webm、.flv - 推荐分辨率：720p（1280×720）或1080p（1920×1080）——画质够用，处理快
- 关键要求：
- 人物正对镜头，脸部占画面1/2以上；
- 身体不动或微动（不要走来走去）；
- 光线均匀，别半边脸在阴影里；
- 视频开头几秒最好有“中性表情”，方便AI对齐起始帧。
实测案例：我用了3个视频——一个同事工位自拍（手机横屏，720p）、一个B站UP主公开的数字人模板（mp4）、一个AI生成的静态肖像动效视频（webm）。全部成功生成，口型匹配度都很高。
3.3 一次传多少？别贪多，先试3个
新手建议：第一次只上传1段音频 + 3个视频。
原因很简单：
- 看看流程顺不顺畅；
- 确认生成效果是否符合预期；
- 避免第一次就等太久（1个视频约1~3分钟，3个就是3~9分钟，心理预期稳）。
等你熟悉了，再一口气加10个、20个——批量模式真正的价值，就在这时候体现。
4. 第四步：动手操作——每一步都配截图逻辑
我们按真实顺序走一遍，不跳步、不省略、不假设你知道。
4.1 上传音频：点一下，选一个，就完了
- 在“批量处理模式”下，找到标着“上传音频文件”的灰色区域（它在左上角，文字很大）；
- 点击它 → 弹出系统文件选择框 → 找到你准备好的mp3/wav文件 → 双击打开；
- 上传完成后，区域下方会出现一个播放按钮 ▶，点它能听一遍，确认是不是你要的那段话。
成功标志：能听到声音，波形图有起伏，没有报错提示。
4.2 添加视频：拖或点，两种方式任选
- 往下看，找到“拖放或点击选择视频文件”的大区域（就在音频下方）；
- 方法一（推荐新手）：点击区域 → 多选文件（按住Ctrl或Cmd，逐个点选）→ 确认；
- 方法二（进阶）：直接把几个mp4文件拖进这个区域，松手即上传；
- 上传后，左侧会立刻出现一个视频列表，每个条目显示文件名，比如
zhangsan.mp4、lihua.mov。
成功标志：列表里出现了你选的文件名，数量对得上。
4.3 预览视频：别跳过，这步能救你
- 在视频列表里，点击任意一个文件名（比如
zhangsan.mp4）； - 右侧预览区会立刻播放这个视频的前5秒；
- 看一眼：人脸是否清晰？有没有严重抖动？光线是否过曝或太暗？
如果发现某个视频明显不合适（比如全是背影、或者只有手在动），现在就删掉：选中它 → 点“删除选中”按钮。
别等到生成完才发现白忙一场。
4.4 开始生成：一个按钮，开启流水线
- 确认音频已上传、视频列表有内容、预览无误；
- 找到右下角那个醒目的蓝色按钮：“开始批量生成”；
- 点它。
接下来，界面会立刻变化：
- 左侧列表变灰，按钮变“禁用”状态（防止你误点两次）；
- 右侧出现实时进度条，显示“正在处理：zhangsan.mp4”；
- 下方有计数：“1/3”、“2/3”……
- 每完成一个，对应缩略图就会出现在“生成结果历史”区域。
整个过程无需刷新页面，不用切后台，不用盯终端——就像看着一台自动咖啡机，投料、加热、出杯，一气呵成。
5. 第五步：拿到结果——下载比微信传文件还简单
生成完成后，你会看到“生成结果历史”区域里多了几个带时间戳的缩略图。
5.1 预览：点一下，当场看效果
- 点击任意一个缩略图 → 右侧播放器自动加载并播放；
- 注意看：嘴型是否跟着声音动？动作是否自然？有没有穿帮（比如脖子突然断掉、头发边缘发虚）？
- 如果效果满意，继续下一步；如果不理想，记下是哪个视频的问题，下次换一个模板试试。
5.2 下载单个：适合快速分享给同事看
- 点击缩略图选中它（边框会变蓝）；
- 看右上角，有个向下箭头图标（），点它，浏览器就会自动下载这个mp4文件；
- 文件名默认是
output_20250405_142318_zhangsan.mp4，含日期+时间+原文件名，不怕混淆。
5.3 一键打包下载：这才是批量的灵魂
这才是本教程最值得你记住的功能。
- 点击“📦 一键打包下载”按钮（就在“生成结果历史”上方）；
- 等1~2秒，按钮文字变成“点击打包后下载”；
- 点它 → 浏览器立刻弹出下载窗口，文件名类似
heygem_batch_export_20250405_142318.zip； - 解压后，里面是所有生成好的mp4，按顺序编号，命名清晰。
实测对比：手动下载3个视频，平均耗时2分18秒（含找文件、重命名、建文件夹、压缩）；
用一键打包，从点击到ZIP下载完成，仅需8秒。
6. 第六步：善后与避坑——老手都在用的5个习惯
刚上手时，容易忽略这些细节。但养成它们，能让你后续每次使用都更顺、更稳、更省心。
6.1 清理历史记录：别让旧文件挤占空间
- “生成结果历史”支持分页，但每页只显示10个；
- 用完一批后，别只下载不管——勾选所有缩略图 → 点“🗑 批量删除选中”；
- 或者直接点“清空列表”（注意：只清列表，不删服务器上的文件）；
- 定期进服务器，手动清理
outputs/目录下的旧文件夹（每批生成都会新建一个文件夹）。
6.2 查看日志：出问题时，第一反应不是重装
- 如果某次生成卡住、报错、没反应，别急着重启；
- 打开终端，输入这行命令（复制粘贴即可）：
tail -f /root/workspace/运行实时日志.log - 回车后，你会看到最新几行日志，通常是“正在加载模型”“提取语音特征失败”“视频解码异常”等具体提示；
- 根据提示，就能精准定位：是音频格式不对？还是某个视频损坏？而不是盲目重试。
6.3 视频长度控制：别让5分钟视频拖垮整批任务
- HeyGem处理时间≈视频时长×1.5倍（例如1分钟视频，约需1分30秒）；
- 建议单个视频不超过3分钟，尤其首次使用；
- 如果必须处理长视频，建议拆成片段（用剪映、CapCut等免费工具3秒搞定）。
6.4 浏览器别关：进度不丢，但页面刷新会重置
- HeyGem的进度是前端实时渲染的，不是靠后端轮询；
- 所以你可以最小化浏览器、切去回微信，回来还能看到进度条在走；
- 但如果你刷新页面，当前批次进度会丢失（已生成的还在，但未开始的会重排）；
- 正确做法：生成中保持页面打开，用浏览器标签页切换，别关、别刷新。
6.5 存储空间提醒：10个1080p视频 ≈ 1.2GB
- 每个1分钟1080p视频生成后约120MB；
- 10个就是1.2GB；
- 建议：定期把ZIP包下载到本地电脑，然后在服务器上
rm -rf outputs/old_batch_*清理； - 云服务器磁盘告警？先看
outputs/目录，90%的问题都出在这儿。
7. 总结：你已经掌握了生产级数字人视频的第一把钥匙
回顾一下，你刚刚完成了什么：
- 在30秒内启动了一个AI视频生成系统；
- 用手机录的音频 + 网上找的视频，零调整就生成了口型同步的数字人；
- 一次操作，批量产出多个结果；
- 一键打包，5秒下载全部视频；
- 学会了看日志、清缓存、控时长、管存储——这些才是长期用下去的关键。
这不是玩具，也不是Demo。这是已经有人每天用它生成课程视频、电商口播、企业宣传短片的真实工具。
你不需要成为AI工程师，也能驾驭它。
你不需要买高端显卡，也能跑起来。
你不需要写代码，也能做出专业级效果。
真正的门槛，从来不是技术，而是“敢不敢点下第一个按钮”。
而你，已经点过了。
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。
