把一篇长文变成口播稿、配音、字幕、画面、动画和成片，在叠加上你本人的数字人。
整套流程交给 WorkBuddy 推进。你只需要准备内容和质量检查即可。
工作流开源地址github: agent-video-pipeline
之前看到的所有数字人口播方案，都是基于 heygen 的，1 分钟 10 块钱左右，贵。
这套方案是教你本地跑口播数字人的方案，你需要一张 Nvidia 卡。
先看电脑能跑到哪一步，再决定使用本地服务还是云端服务。
4 核 CPU 与 16 GB 内存
显存不足 12G或者 Mac 系统
20 到 50 GB 可用空间
本地编排、字幕和轻量渲染，配音、插画或数字人使用云端服务 heygen
8 核 CPU 与 32 GB 内存
NVIDIA RTX 4070 及以上
Windows 按 C 盘与 D 盘分别预留，Ubuntu 准备 100 GB 以上空间
本地配音、1080p 渲染，以及 Duix.Avatar 本地数字人
12 到 16 核 CPU 与 64 GB 内存
NVIDIA 24 GB 显存这一档
200 GB 以上高速 SSD
多模型、长视频和批量渲染
2 没有 NVIDIA 显卡怎么办
跳过本地数字人的合成即可。文章改口播、配音、字幕、插画、动画和视频渲染都可以继续做。
跳过本地数字人的合成即可。
文章改口播、配音、字幕、插画、动画和视频渲染都可以继续做。
数字人只是把一段对好口型的人像叠到基础视频上，不影响前面的内容生产。另外你还可以选云端数字人方案。
数字人只是把一段对好口型的人像叠到基础视频上，不影响前面的内容生产。
另外你还可以选云端数字人方案。
03一句话启动工作流
1 可直接复制的启动提示词
复制了丢给 WorkBuddy，只替换方括号里的内容。
请安装并使用 agent-video-pipeline
https://github.com/JayceHuang/agent-video-pipeline.git
把【文章路径、附件或下方正文】制作成视频。
工作区是【绝对路径】。
项目目录是【绝对路径】。
发布平台是【填写】。
画幅是【16:9 或 9:16】。
本次【不使用数字人或使用本地数字人】。
安装后完整读取 README.md 与 SKILL.md，检查本机硬件及 Git、Python 3.10 或更高版本、ffmpeg、ffprobe、Node.js。缺少依赖时优先在工作区内安装或修复，不污染系统环境。
检查工作区内完整的 .agent-video/。缺失或结构不完整时，运行下面的命令初始化中性配置。
python scripts/init_config_root.py --workspace 【工作区绝对路径】
自动填写能够安全推断的 workspace.yaml、runtime.local.yaml 和素材配置，并列出最终配置。随后运行 resolve_profile.py 验证并冻结本项目配置。
输入是长文章时，先调用 adapt-longform-for-speech 生成口播稿并等待我确认。
任何配置或质量检查失败时，只暂停下游阶段。请诊断并修复当前失败层，重新运行检查，直到通过。只有缺少凭据、授权素材、必须由我决定的内容，或确实无法自动修复时才向我提问。
口播稿通过后，先生成一段 60 到 90 秒、带声音、字幕、视觉和动效的 1080p 试播视频。运行全部质量检查，提供试播视频、封面和检查报告，等待我确认。
未经确认不要生成完整视频。确认后再继续完成全片及最终交付包。
2 给第一次运行留足时间
视频生产比普通文档任务重得多。第一次运行还要下载依赖、模型和浏览器环境，速度不能只看最终渲染时间。
视频生产比普通文档任务重得多。
第一次运行还要下载依赖、模型和浏览器环境，速度不能只看最终渲染时间。
我自己的两次测试差异很大。
Windows 上处理一篇长文，第一次从启动到完成用了两个多小时
Linux 上生成一段约 80 秒的非数字人试播，第一次用了约 21 分钟
这两个数字只能代表当时的机器和网络，第二次通常会快不少，因为依赖、模型和部分中间产物已经有缓存。
WorkBuddy 第一次停下来时，按下面的顺序检查。
口播内容有没有增删关键事实
声音里有没有错读、吞字、突然变速和明显机械感
试播片段能否代表整条视频的真实风格
某个地方不对，就把时间点和目标状态写给 WorkBuddy。比如告诉它第 18 秒字幕太靠下，第 32 秒卡片出现得太急。指出明确的问题比一个模糊的概念有用的多。
某个地方不对，就把时间点和目标状态写给 WorkBuddy。
比如告诉它第 18 秒字幕太靠下，第 32 秒卡片出现得太急。
指出明确的问题比一个模糊的概念有用的多。
基础视频先通过内容、声音、字幕和画面检查，最后再生成数字人。Duix.Avatar 是一个可本地部署、可通过 API 调用的开源数字人项目。官方说明里，一段约 10 秒的参考视频就可以用于建立数字人形象和声音，随后可用文字或音频驱动口型。本文的工作流只取口型合成这部分，最终声音继续使用前面已经确认的配音母带。
基础视频先通过内容、声音、字幕和画面检查，最后再生成数字人。
Duix.Avatar 是一个可本地部署、可通过 API 调用的开源数字人项目。
官方说明里，一段约 10 秒的参考视频就可以用于建立数字人形象和声音，随后可用文字或音频驱动口型。
本文的工作流只取口型合成这部分，最终声音继续使用前面已经确认的配音母带。
注意：Duix.Avatar 当前 README 写明，开源本地部署支持免费商用，用户量超过 10 万或年营收达到 1000 万美元以上的企业需要签署商业许可协议。
Duix.Avatar 当前 README 写明，开源本地部署支持免费商用，用户量超过 10 万或年营收达到 1000 万美元以上的企业需要签署商业许可协议。
使用任何真人形象和声音前，先确认本人授权。
参考视频尽量满足下面几项。
脸部完整、清楚、无遮挡
头部与身体动作不要太大
画面里只保留一个主要人物
素材确实属于你或已经获得授权
你可以从以前拍过的公开视频里截一段，也可以专门录一段。画面一旦选定，后续视频就会反复循环这段人物动作，为了避免被看穿，人物幅度不要太大。
你可以从以前拍过的公开视频里截一段，也可以专门录一段。
画面一旦选定，后续视频就会反复循环这段人物动作，为了避免被看穿，人物幅度不要太大。
3 生成静音口型视频
把参考视频和 .wav` 交给 WorkBuddy，让它调用本地数字人服务。
请使用已配置的 Duix.Avatar 本地服务处理下面两份素材。
参考人物视频【绝对路径】
最终配音母带【项目目录/audio/output/narration_master.wav】
只生成与配音母带时长完全一致的口型视频。输出视频保持静音，不要重新合成声音。检查人物画面是否连续、口型是否同步、输出时长是否与 narration_master.wav 一致。
这一步的输出是一段静音人物视频。人物已经跟着母带对好口型，但还没有放进正式画面。
4 把数字人合成到基础视频
基础视频和静音口型视频都通过检查以后，再调用 compose-avatar-video。
基础视频和静音口型视频都通过检查以后，再调用
compose-avatar-video
请使用 compose-avatar-video，把已经对好口型的静音数字人视频合成到基础视频。
基础视频【绝对路径】
静音数字人视频【绝对路径】
把数字人裁成 300 × 300 的圆形画面，放在左下角。完整保留脸部，不遮挡字幕、标题和重要信息。保留基础视频原有音频，不要使用数字人视频里的音轨。
合成后检查时长、分辨率、音频轨、人物裁切、字幕遮挡和首尾帧。输出检查报告和最终视频路径。
位置、尺寸和形状都可以改。需要守住的只有三条。
人物不能遮住字幕和关键信息
narration_master.wav
合成后重新检查音画时长和口型同步
1 把动画目标说清楚
WorkBuddy 能改动画，但前提是你把目标说清楚。
最有效的信息有五类。
从什么状态变到什么状态
哪些东西必须保持不动
2 接入新的插画 Skill
动画和插画可以继续扩展。比如把开源的 Ian 小黑插画 Skill 接入视觉素材阶段，再用自己的授权人物素材做成固定 IP。这类改动先让 WorkBuddy 分析输入与输出。
动画和插画可以继续扩展。比如把开源的 Ian 小黑插画 Skill 接入视觉素材阶段，再用自己的授权人物素材做成固定 IP。
这类改动先让 WorkBuddy 分析输入与输出。
请分析下面这个 Skill 的目录、输入、输出和依赖。
https://github.com/helloianneo/ian-xiaohei-illustrations/tree/main
我想把它接入 agent-video-pipeline 的视觉素材阶段。请先说明应该在哪个阶段调用、产物怎样写入 visual-assets.json、失败时怎样回退，以及如何避免修改公共流水线的中性默认值。
先给接入方案和文件修改清单，等我确认后再实施。
画风改成什么都可以，时间轴不要乱。视觉素材最终还要回到统一的场景、字幕和音频时间基准里。
06把一次视频变成长期工作流
把一次视频变成长期工作流
1 记录可以复用的内容
一条视频跑通以后，最值钱的东西往往留在中间。
文章从哪里来，怎样改成口播，什么风格适合哪个平台，哪些动画在什么内容上有效，读者在哪些地方容易看不懂，这些信息都应该写回知识库。
我用 Obsidian 管这部分。每个主题至少保留下面几样。
使用过的 Profile 与版本
试播和全片的修改记录
各平台标题、封面和发布文案
发布后的数据与评论反馈
下一次做同类内容时，不用从空白提示词开始。先复用已经验证过的配置和失败记录，再改这一期不同的地方。
2 让一篇内容多平台复用
同一篇文章可以沿着一条主线拆成多种产物。
├── 3 到 5 条短帖
├── 60 到 90 秒试播
├── 3 到 8 分钟讲解视频
└── 视频号、抖音、B 站和小红书发布文案
各平台需要单独适配开头、时长、画幅、字幕安全区和 CTA。核心事实与主线尽量共用，减少每个平台各写一套以后互相打架。
3 这套工作流如何变现
变现才是最终目的，以下方案都可以切入。
比如抖音卖爆了的那些智能体
为企业制作固定人物口播与多个账号的内容
形象授权、声音授权和平台规则
围绕品牌问题持续生产可检索的视频与字幕
事实核验、关键词自然度和效果衡量
把工作流做成课程、模板或陪跑服务
学员能否跑通第一条视频
为有隐私或批量需求的团队部署环境
硬件成本、维护、故障响应和许可证
卖一套提示词很容易，长期交付要处理环境差异、素材版权、模型更新、缓存失效和客户修改。先用自己的内容跑出几条稳定案例，再接客户，会少很多现场救火。
第一次跑时，一步步来，先跑出一段 60 到 90 秒试播。
把口播、声音、字幕和基础画面调顺，再保存成自己的工作区 Profile。
接下来加人物 IP，最后才接本地数字人。
第一条视频可能要折腾几个小时，后面就能复用配置、素材和缓存。
做得越多，这套系统越像你自己的生产线。