D-ID

D-ID 靠一件本事起家并把它做到了规模化：一张静态照片就能变成会说话、有表情的面孔，输入文本即得多语言口型同步的主持式视频。站上把当前一代称为 V4 Expressive Avatars，产品同时卖面向非剪辑者的工作室界面，以及给产品接入的 API。它真正擅长的是批量说话头像——培训课件、本地化讲解、智能体界面——这些场景的替代方案是摄像机、真人主持，以及每次改稿就重拍一次。

计费口径是签约前必须读的部分。用量按分钟扣：每次渲染把时长从套餐余额里减掉，时长按 15 秒一档向上取整，未用完的分钟每月作废而不结转。API 与网页工作室共用同一余额，也就是说接入应用会和自己的制作任务抢池子。试用输出带全屏水印，厂商把它说成是对合成内容的透明披露而非付费墙。所读页面上没有套餐价格与分辨率上限（分别在工作室与 API 定价页），克隆真人脸孔或声音的授权同意条款也不在该页，要在动手前向厂商白纸黑字问清。它输在说话头像几乎是全部能力：多镜头、镜头运动与写实人体要交给 Veo、Runway、Kling 或 Pixverse，而素材照片稍差，就会掉进这一品类出名的恐怖谷。