文章摘要
做过短视频的都知道，最磨人的不是剪辑，而是“出镜”这件事。想拍口播，灯光机位要摆、妆发要弄、NG 十几次是常态；想请人拍，预算直接劝退；用纯 AI 数字人工具吧，点几下是能出片，可人物每次长得都不一样、声音忽大忽小、字幕还经常烧进画面里，拿去带货都嫌丢人。今天这个开源项目，就是来解决这堆糟心事的。
它叫 Digital Human Koubo（AI 数字人口播），GitHub 上的开源项目（andyhuo520/digital-human-koubo），10 月 26 日才开源，3 天时间 star 就冲到了 1300 多个，fork 也有 300 多。代码按 MIT 协议开源，免费。它的玩法很直接：一张照片 + 一句话，剩下的全交给你的 AI agent，一条带真人出镜感的口播视频就出来了——写文案、生成对口型数字人、修声音、加字幕、套网红级包装，全自动。
作者放的演示很有说服力：一条 27 秒的直播带货广告，脸、声音、演播室、字幕、价格动画全是 AI 做的，唯一的输入就是一句话：“用这个数字人做一条 30 秒的 WorkBuddy 课程直播广告——10 节课，99 元，原价 999。”全片成本是 482 个 Renoise credit。注意看细节：演示里所有主播都打了“内容由 AI 数字人演绎”的标注，男主播就是作者用自己的照片做的数字分身。
它能做什么
- 一张照片定一个专属主播：脸、服装、声音描述、提示词模板都存在 persona.json 里，每次生成的都是同一个人，不会今天长这样明天长那样。先拿 GPT Image 把人合成到任意场景（直播间、小店、教室、京都街头都行），再让她开口说话。
- 对口型说话，分段生成：文案按每段不超过 15 秒拆开，用 Grok Video 1.5 经 Renoise MCP 生成对口型片段，Wan 3.0、OmniHuman（用你自己的录制）等其他模型也在文档里写了备选。
- 先报价再动手，绝不偷跑：agent 动手前一定先报“分段数·总秒数·要花多少 credit·余额还剩多少”，等你说 yes 才开工；而且先生成第 1 段给你看，满意了才批量跑剩下的，钱花得明明白白。
- 逐段质检，不合格重拍：每段都用 whisper 转写回检文案对不对得上口型，每段再抽 4 帧人工（机器）检查——Grok 偶尔会把字幕烧进画面里，这种片段直接重拍，不凑合。
- 30 个片段听起来像一次录的：1/3 倍频程频谱匹配、去齿音、统一的小房间混响、响度归一化，作者实测齿音离散度从 13.2dB 压到 5.9dB，多段拼接没有“换人感”。
- 5 种剪辑风格，对号入座：agent 先看你的内容，推荐 2 种风格并一次问清所有选项——风格、画幅时长、字幕强度、用哪个主播。5 种风格覆盖：A 财经/科技解说、B 直播带货广告（竖屏）、C 新品发布拆解（主播+代码 B-roll）、D 手把手教程、E 双人多语种多场景。
- 48 个包装组件，抄的是顶流作业：作者把 MrBeast、Mark Rober、MKBHD、影视飓风、何同学、回形针、半佛仙人、毕导等 25 位顶流创作者的视频逐帧拆过，提炼出 48 个包装手法，每种风格自带一套默认配方，你也可以随口加减。
- “文字在人后面”这种高级货也能做：大字、数字放在背景和人物之间三层合成，靠 macOS Vision 的人物分割抠像，演示里的价格 ¥999→¥99 动画就是这么来的。
- 多语言实测过：英语、日语、韩语、法语、西班牙语、阿拉伯语都测过，whisper 回检准确率 94%–100%。
使用方法
先说清楚：这不是手机上点两下的 App，它是一个标准 Agent Skill（SKILL.md + Python/shell/Remotion 脚本），得配合你的 AI agent 用。官方列了三种硬需求：能加载 Agent Skill、能连远程 MCP 服务器（Renoise，走浏览器登录，不要 API key）、能在你电脑上跑命令。Claude Code、Codex、OpenClaw、WorkBuddy 都行。README 有中文版，照着来不难：
- 环境自检：把 skill 装进你的 agent，接上 Renoise MCP，agent 会先跑一遍 setup check——Renoise 连没连上、ffmpeg、whisper 装没装，缺啥补啥，已有的自动跳过。
- 定主播：准备一张照片，按 persona.json 的格式写好脸、服装、声音描述，之后所有视频都是这个人出镜。
- 丢内容、选风格：把你要讲的东西（一句话也行）丢给 agent，它诊断内容后推荐 2 种剪辑风格，一次性问清：风格、画幅和时长、字幕要多密、用哪个主播，确认后生成 brief.json。
- 看报价、点头：agent 给出分段数、总秒数、预计 credit 和余额，等你说 yes。先生成第 1 段给你看，口型、声音、画面都没问题再批量。
- 等它干活：分段生成 → whisper 回检口型 → 抽帧查画面 → 统一声音 → 生成逐词时间轴 → 在 Remotion 里套风格模板和包装组件 → 渲染，中间转场帧和响度（-14/-16 LUFS）还会再查一遍。
- 收成片：拿到的就是一条带字幕、带包装、声音统一的口播视频，演示里那条 27 秒带货广告就是这么出来的。
注意事项
- 项目开源免费，但生成视频要花 credit：代码 MIT 免费，可视频走 Renoise MCP 是按量计费的（演示那条 27 秒花了 482 credit）。好在 agent 开工前一定先报价，不会背着你烧钱，余额不够它也会提前说。
- 你得有个能干活的 AI agent：Claude Code、Codex 这类能装 skill、能连 MCP、能跑本地命令的才行。纯聊天窗口用不了，这是它和手机 App 最大的区别。
- “文字在人后面”依赖 macOS：人物抠像是走的 macOS Vision，其他平台这招可能玩不转，README 里写得明明白白，Windows/Linux 用户别指望这个效果。
- 第一段务必亲自看：agent 会先做一段给你验收，口型、主播长相、声音风格这时候定死，后面批量才不会翻车，别偷懒直接 say yes。
- 标注 AI 身份是作者定的规矩：演示视频全都标了“内容由 AI 数字人演绎”，你拿去发作品、做带货，也建议老老实实标注，平台现在对 AI 内容查得严，标了反而省事。
- 别拿它干缺德事：一张照片就能让“某个人”开口说话，技术是中性的，用途不是。拿别人的照片做视频前先问过人家，这是底线。
下载地址
项目主页：https://github.com/andyhuo520/digital-human-koubo ，点绿色 Code 按钮 → Download ZIP 就能下载；会用 git 的直接 clone 也行。README 有中文版（README.zh-CN.md），先看中文版再动手。演示视频都在 release 页，动手前建议先看那条 27 秒的带货广告，心里有数再配环境。
站长点评
AI 口播工具这两年我见得不少，大多是两种极端：要么手机 App 点两下，人物每次都不一样、没法当固定 IP 用；要么专业管线，效果是好，但普通人根本配不明白。这个项目妙就妙在把“专业管线”装进了一个 Agent Skill——固定主播、分段质检、声音统一、顶流包装配方，这些以前要一个小团队干的活，现在变成你对 agent 说一句话。当然门槛也实话实说：你得有个 Claude Code 这样的 agent，生成还要花 credit，它不是零成本。但反过来想，做口播、做带货、做课程的人，缺的从来不是再便宜一点的工具，而是“稳定、可复用、不翻车”的出片能力。从这个角度看，3 天 1300 星一点不意外——它解决的是真痛点。先看演示，再配环境，第一段亲自验，这三步做到，这工具就能替你打工了。
