现在在开发图片转视频的项目，主要是需要支持克隆人的声音，上传图片合成视频，并且根据用户输入的话术、图片和模拟人声，输出 动态视频，需要达到真人拍视频的效果，不知道有没有现成的技术方案、或者llm厂商可以通过API接口调用的方案？