JoggAI

定义

JoggAI是一款人工智能视频生成工具，把脚本、照片、链接等输入素材自动合成为由虚拟形象出镜讲解的视频^[5]。它属于生成式人工智能在视频制作方向的应用，核心产出是「说话头像」风格的短片，用户不需要摄影机、影棚或剪辑时间线即可完成制作^[2]。与提供完整剪辑轨道的非线性编辑软件不同，它定位为按素材批量产出镜头的生成工具^[5]。

该产品的运营方是一家总部设在新加坡的公司，2024 年成立，创始人 Anbang Xu 任首席执行官，产品于 2024 年 6 月上线^[2][1]。公司以自动化视频营销中的重复劳动为目标，服务对象包括广告主、营销人员、内容创作者与初创团队^[6]。

原理

工具的典型工作流分几步：先由用户提交素材，可以是文本脚本、一张照片，也可以是公开网页链接^[7]。提交链接时，服务器会访问该页面，抽取正文或商品信息，再交给语言模型压缩成适合口播的短脚本^[7]。

脚本确定后，系统按所选虚拟形象和音色合成视频，把语音与嘴部动作对齐，并混入字幕、背景音乐与转场模板^[8]。语音部分由外部文本转语音技术提供，JoggAI与语音技术公司 ElevenLabs 集成，以支持英语、西班牙语、普通话等多语种与带情感的表达^[1]。

生成过程是异步的：提交任务返回一个编号，通过轮询接口或网络回调获取状态，完成后取得视频文件地址^[3]。这一流程可被外部自动化平台调用，官方提供了面向 n8n 工作流的节点，用于批量创建数字人与营销视频^[9]。

发展历程

产品于 2024 年 6 月上线，上线后逐步扩展虚拟形象数量与语言覆盖^[1]。至 2025 年前后，公开资料称其预制虚拟形象库规模在 450 种以上，另有超过 1 万种合成音色可供选择^[10]。

2025 年 8 月，公司与 ElevenLabs 合作推出新的虚拟形象模型 AvatarX，该模型在口型同步与表情表达上做了改进，并支持将油画、积木人物、雕塑等非人脸图像驱动为会讲话的角色^[1][11]。同年，公司还上线了浏览器扩展，包括从商品链接生成视频与把屏幕录制转为虚拟形象讲解视频两类工具^[12]。

应用

最直接的应用是电商营销：把亚马逊、Shopify 等平台的商品页链接交给工具，自动提取图片与卖点，生成竖屏广告或商品展示视频。同类流程也可用于把博客文章、新闻或播客音频改写成访谈式或对谈式视频^[2]。

在内容分发方面，生成的视频可导出为竖屏格式并分享到 TikTok、Instagram 和 YouTube 短视频等平台，配合字幕适配静音观看场景^[3]。工具还提供脚本翻译与多语配音，用于把同一支视频本地化成不同语言版本^[4]。

除营销外，它也被用于产品演示、员工培训与教学讲解类视频，做法是录制屏幕操作并替换为虚拟形象配音^[12]。用户既可选用公共素材库中的形象，也可上传自己的视频创建「数字分身」，并克隆声线^[2]。

局限

虚拟形象的嘴部动作与音频有时对不齐，脚本语速过快时错位更明显，人物的手部动作和细微面部表情也难以精确控制^[4]。在第三方评测中，部分片子只有人物出镜，商品本身并未出现在画面里，字幕也需要后期补做^[13]。

编辑能力方面，它没有多轨时间线，不支持关键帧与逐镜头合成，精细到帧的剪辑需求无法满足^[5]。生成任务按额度计费，免费方案的字幕或水印限制与导出次数上限也会影响成片直接投用的可能性^[13]。

额度规则曾引发用户对其变更的抱怨，官方回应称无限制的口型同步视频仍不消耗额外额度，AvatarX、文生视频等依赖第三方算力的功能则使用独立的额度体系，并设置每周用量上限与单任务并发限制以维持渲染排队时间^[14]。此外，该模型主要针对人脸动画设计，驱动非人脸对象时效果较差，官方建议改用 AvatarX 模型尝试^[15]。

参见

• 数字人 —— 用计算机生成的、具有人类外观与表达能力的虚拟角色，是 JoggAI 视频中的出镜主体。

• 文本转语音 —— 把文字脚本合成为自然语音的技术，决定虚拟形象的声音表现。

• 口型同步 —— 让虚拟形象的嘴部动作与语音在时间上对齐的技术，是该类工具的关键指标之一。

• 生成式人工智能 —— JoggAI 所属的技术范畴，涵盖由模型自动生成文本、图像、语音与视频的方法。

• ElevenLabs —— 为 JoggAI 虚拟形象提供多语种语音合成技术的合作方。

• HeyGen —— 同属虚拟形象视频生成方向的工具，常被评测拿来与 JoggAI 比较。