一张照片+一句话，AI 数字人把口播片拍完了：digital-human-koubo 开源了

一张照片，加一句话，就能让 AI 数字人出镜讲完一条口播——写稿、对口型、修音、字幕、头部博主级的包装，全交给 Agent 自动跑完。Berryxia 打磨数周、花了数千美金的数字人工作流 Skill，今天正式开源了（MIT 协议）。下面把它的流程、成本和用法一次讲清。

先看一条成片：27 秒广告，482 积分

这是作者用来展示的案例：一条 27 秒的直播间带货广告。主播不存在——脸、声音、直播间、花字、价格动画，全是 AI 做的。输入只有一句话：「用这个数字人做一条 30 秒直播间广告，卖 WorkBuddy 上手课，10 节课 99 元，原价 999。」

账单也公开了：直播间场景图 23 积分，5 段口播（720p，共 27 秒）459 积分，声音统一、抠像、剪辑全在本机跑，0 积分，合计 482。以前拍一条这样的广告要主播、要灯、要场地、要剪辑师；现在要的是一张照片，和一套记得住所有坑的流程。

项目地址：https://github.com/andyhuo520/digital-human-koubo

它是怎么做到的：九步流程

整个流程是一套 Agent Skill（SKILL.md + 脚本），Agent 按下面九步走：

• 环境检查：先查 Renoise 连没连上、ffmpeg、whisper、Node 装没装，已经装好的直接跳过，缺什么才教你装；
• 一张照片进任何场景：数字人的脸固定在一张参考照里，要进直播间就让 GPT Image 把人和场景合成一张开场画面（2k，23 积分），中景、头顶留白、两侧留背景——后面要把价格放到人身后，这一步就得提前留好位置；
• 先选风格，再写稿：Agent 先诊断内容，推荐 2 种风格并一次问完风格、比例时长、花字强度、主播，回一句「你定」就按推荐走；
• 稿子切成 15 秒以内：Grok 单段最长 15 秒，中文实测约 5.4 字/秒。广告一共 5 段：钩子、产品、卖点、价格、号召，优惠只写给定的两个数，没给的赠品、限时、限量一个都不编；
• 先报价，先拍第 1 段：生成前先报段数、秒数、积分、余额，你点头才开始；而且只先拍第 1 段，脸、声音、口型看过了，再批量剩下几段；
• 两道质检：whisper 逐段回听和稿子比对；每段抽 4 帧检查——Grok 偶尔会自己往画面里烧字幕，提示词写了 no subtitles 也挡不住，烧了就重拍那段；
• 48 个包装组件：逐帧拆了 25 支头部博主视频（MrBeast、Mark Rober、MKBHD、影视飓风、何同学、Johnny Harris、Vox、Kurzgesagt、半佛、差评、毕导），做成数字钉子、证据截图、地图航线、弹幕、投票、玻璃数据面板等组件，每种风格自带一套默认包装；
• 景深字：大字放在背景和人之间——原视频在最底层，大字在中间，抠出来的人在最上面，用 macOS 自带的 Vision 人像分割逐帧出遮罩，只抠用到的 5 秒，24 秒跑完；
• 出片前看过渡帧：检查过渡中间那几帧和响度（-14 LUFS）。这次就抓到一个：价格最后停在了 ¥100 不是 ¥99，原因是缓动曲线只走到 99.9 四舍五入多了 1，现在动画结束会强制落在精确值上。

五种剪辑风格

• A 小林式解说：16:9，3–20 分钟，适合事件、数据、「为什么」；
• B 网红花字口播：9:16，30–120 秒，适合安利、带货、种草、吐槽，花字有克制 / 标准 / 热闹三档；
• C 发布解读：16:9，30–90 秒，适合新品、新模型发布；
• D 保姆级教程：16:9，3–8 分钟，适合几步做出 XX、工具上手；
• E 多主播 · 多语言 · 多场景：16:9，3–7 分钟，适合能力展示、出海（英、日、韩、法、西、阿拉伯语都实测过，whisper 回听准确率 94–100%）。

包装背后的规则也值得抄：切数可以低，刺激不能断——前 30 秒每 3–5 秒要有一个新东西出现；前 3 秒直接给命题或动作，不问好、不放 Logo；BGM 从头铺到尾，音效只给事件；揭晓前刻意静音 0.6–1.0 秒。

怎么用：支持哪些 Agent

要跑通完整流程，Agent 需要三样能力：能装 Agent Skills、能接远程 MCP、能在本机跑命令。Claude Code 是作者实测过的（这个仓库本身就是用它做的）；Codex、OpenClaw、WorkBuddy 预期可用；豆包、千问、纳米 Work 这类产品只要满足三样能力也行，具体入口以各产品文档为准。

接入 Renoise MCP 不用复制 API key，浏览器登录授权就行（Claude Code 用官方插件市场安装，Codex 用 codex mcp add，桌面端走连接器添加自定义 MCP，地址都是 https://renoise.ai/api/public/mcp）。本机剪辑要装 ffmpeg、Python、Node 和 whisper，仓库里有 doctor.sh 一键检查。注意：景深字抠像用的是 Apple Vision，需要 macOS，其余功能跨平台。

几个提醒

• 只用你本人或明确授权的照片做数字人，这是仓库和作者都反复强调的红线；
• 示例里的片子都标了「内容由 AI 数字人演绎」——数字人出镜的内容，标注是基本体面；
• 事后换声音口型会差约 100 毫秒（画中画看不出，全屏特写看得出），想用自己的录音又要口型准，换音频驱动口型的模型（比如 OmniHuman）；
• 景深字不适合自拍特写：特写里人占画面 89%，字全被挡住；中景只占 57%，字才露得出来，人像超过 60% Skill 会提醒换中景或换组件；
• 这套流程是作者的第三版，前两版踩过的坑都写进去了——但说到底它还是"帮你把片子做出来"的工具，内容本身好不好，还得看你给的那一句话。