企业官网建设流程全解析

如果你经常做自媒体，应该知道制作一条视频有多麻烦。

写文案、准备素材、录制口播、配音、剪辑、添加字幕、制作封面……即使只有一两分钟的视频，也可能花掉几个小时。

如果不想露脸，还要寻找数字人平台，购买会员，调整人物形象和声音。

但现在，GitHub 上有一个开源项目，试图把这些工作全部交给 AI。

你只需要提供一张人物照片，再告诉 AI 想制作什么内容，它就能自动完成脚本撰写、数字人口播、字幕、配音处理、视频剪辑和封面制作。

这个项目叫 Digital Human Koubo（AI 数字人口播）。它最有意思的地方是：它不只是让照片中的人物开口说话，而是让 AI Agent 直接参与整个视频制作过程。

从一张照片到一条完整视频，AI 究竟做了什么？

假设你想制作一条 30 秒的商品推广视频。

以前，你需要自己写好口播文案，找人录制，准备商品图片，然后用剪映或者其他软件进行剪辑。

现在，你可以直接给 AI Agent 下达这样的指令：

使用我的数字人，制作一条 30 秒的课程推广视频，课程有 10 节，售价 99 元，原价 999 元。

接下来，AI 就会自动分析内容、编写口播脚本、生成数字人视频，再添加字幕、背景音乐、价格动画和封面。

项目 README 展示了一条 27 秒的直播广告，人物形象、声音、直播间背景、字幕和价格动画全部由 AI 生成。作者公布的生成成本是 482 个 Renoise 积分。

演示视频及成本来自项目 README，实际费用以服务商实时报价为准。

这套工作流并不是简单地调用一个 AI 视频模型。

它把视频生产拆成了多个环节：先写脚本，再把脚本拆成短句，生成数字人口播，检查画面和声音，最后交给剪辑引擎合成。

其中一个很重要的设计是：每段数字人口播不超过 15 秒。

为什么不直接生成一条完整的几分钟视频？

因为视频越长，人物外观、口型、声音越容易出现变化。拆成短片段后，可以单独检查和重新生成某一段，不必整条视频重新制作。

项目还使用 Whisper 语音识别，将生成视频中的语音转录出来，与原始脚本进行比对。如果发现人物说错了内容，就可以重新生成对应片段。

每段视频还会抽取 4 帧进行画面检查，避免人物变形或者模型擅自把字幕生成到画面里。

这实际上形成了一个自动质检流程：生成、检查、发现问题、重新生成。

它不只是数字人，还内置了 48 种视频包装效果

我认为这是这个项目比较有意思的设计。

很多数字人产品，只解决了一个问题：让人物对着镜头说话。

但真正的视频创作，远不止如此。

为什么有些科技博主的视频看起来很专业？除了内容本身，还有开场悬念、动态字幕、数据图表、镜头推近、背景音乐和各种视觉效果。

这个项目研究了 25 条知名创作者的视频，分析开场、剪辑节奏、字幕和音效，整理出 48 种视频包装组件。

例如：

• TeaserColdOpen：悬念式开场，先抛出最吸引人的内容。

• NumberSpike：数字突出动画，让价格、数据更加醒目。

• EvidenceCard：证据卡片，用于展示资料和数据。

• MapRoute：地图路线动画。

• Danmaku：弹幕效果。

• PunchInHost：人物镜头推近。

• ChapterCard：章节切换动画。

• TextBehind：让大字显示在人物身后。

这些效果不是每次都需要手动制作，而是可以通过配置组合。

相当于把视频特效做成了可以重复使用的组件。

项目还提供了 5 种视频风格：

例如，制作一条 AI 技术科普视频，可以选择 A 风格，让数字人出现在画面一侧，另一侧展示代码、图表、公式和相关资料。

如果制作商品推广视频，则可以选择 B 风格，采用竖屏口播，配合动态字幕和价格动画。

这意味着它并不是简单地把文字转换成声音，而是尝试把专业视频创作者常用的包装方式也自动化。

技术上有什么特别之处？Agent + MCP + Remotion

对于开发者来说，这个项目更值得研究的是它的整体架构。

它没有自己训练一个数字人模型，而是把现有 AI 服务和本地视频处理工具组合起来。

核心可以分为三部分：

1. Agent 负责调度。

项目提供了 SKILL.md，里面定义了完整的视频生产流程。

AI Agent 读取 Skill 后，就知道接到任务应该先分析内容、推荐视频风格、撰写脚本，然后生成视频、检查质量，最后进行剪辑。

2. MCP 负责连接 AI 服务。

项目通过 Renoise MCP 调用图像和视频生成能力，其中数字人口播主要使用 Grok Video 1.5。

其他模型，例如 Wan 3.0、OmniHuman，也在项目文档中提供了相关使用方案。

以 Codex 为例，可以通过下面的命令连接：

...Python

codex mcp add renoise \
--url https://renoise.ai/api/public/mcp

codex mcp login renoise

连接成功后，Agent 就可以通过 MCP 调用外部服务。

3. Remotion 和 Python 负责视频制作。

这里使用了几个比较重要的技术：

• Remotion：基于 React 组件生成视频和动画。

• FFmpeg：负责视频拼接、转码和音频处理。

• Whisper.cpp：负责语音识别和字幕校验。

• Python：处理视频下载、音频统一、封面生成等任务。

• Playwright：自动化浏览器截图，用于封面排版。

这种架构非常值得借鉴：Agent 负责思考和调度，MCP 负责连接外部模型，本地脚本负责具体执行。

它展示了一个趋势：AI Agent 不再只是回答问题，而是可以调用不同工具，把一个复杂任务拆解成多个步骤，最终交付完整作品。

一个容易忽略的技术难题：几十段视频，如何听起来像同一个人？

假设一条视频由 30 个独立生成的口播片段组成。

即使每段视频单独听起来都不错，拼接后也可能出现问题：有的声音尖，有的声音闷，有的音量突然变大。

项目专门设计了音频统一处理流程，包括频谱匹配、去齿音、统一混响和响度标准化。

作者公布的测试数据显示，多个片段之间的齿音差异从 13.2 dB 降低到了 5.9 dB。

另外，视频拼接还可能出现口型和声音逐渐错位的问题。作者测试过一条 4 分 43 秒、由 44 个片段组成的视频，发现音频累计落后约 0.38 秒。

为了解决这个问题，项目在拼接时会根据视频长度补齐音频，并检查音视频时长是否一致。

这些看起来不起眼的细节，恰恰是 AI 视频工具从「能生成」走向「能交付」必须解决的问题。

开源不等于免费，普通人值得尝试吗？

项目采用 MIT 许可证，但生成视频需要调用外部 AI 服务，因此并不是完全免费的。

作者公布的实际测试成本：

项目有一个比较实用的设计：生成前先报价，告诉用户需要多少片段、多少秒、消耗多少积分以及账户余额，得到确认后才开始生成。

部署方面，它支持 Claude Code、Codex、OpenClaw 等 Agent，但需要安装 Python、Node.js、FFmpeg、Whisper.cpp 等工具，并连接 Renoise MCP。它并不是下载后双击就能运行的软件。

另外，项目要求使用本人或获得授权的人物照片和声音，生成视频也需要标注 AI 数字人演绎，不能随意冒充他人。

我认为，这个项目最值得关注的不是数字人技术，而是它展示了 AI Agent 的另一种应用方式。

以前我们让 AI 写文案、生成图片，现在可以让 AI 自己调用工具、生成视频、检查错误、重新制作，最终交付一条完整的视频。

对于自媒体创作者来说，这意味着一个人也有机会完成过去需要文案、主播、剪辑师共同完成的工作。

当然，AI 可以替你完成拍摄和剪辑，却不一定能替你找到真正有价值的话题。内容判断力、专业知识和创意，仍然是创作者最重要的竞争力。

未来，当视频制作越来越便宜，真正稀缺的可能不再是拍摄和剪辑技术，而是你究竟有没有值得别人花时间观看的内容。

更多transformer，VIT，swin tranformer 参考头条号：人工智能研究所 v号：人工智能研究Suo, 启示AI科技

动画详解transformer 在线视频教程