又一个神级Skill：文案丢进去，AI自动生成数字人播报

做口播视频的人都知道，写文案其实是最省事的，后面配音、生成画面、对口型、上字幕、剪辑才是花时间的部分，而且中间只要改一句话，后面基本都要跟着动一遍。 lanshu-create-ai-presenter-video 这个开源项目做的事情，就是把后面这一串交给 agent 去跑。 我拿它跑了一下，咱们先看效果。 接下来我们来聊聊这个 Skill，以下是正文。 简介 这个项目目前在 GitHub 上已经拿到 2.7k Star了，它其实不算一个软件，就是个 Skill，说直白点就是一个写得很详细的流程文件，里面把做讲解视频的每一步怎么走、拿什么文件验收、钱在哪一步花，都写清楚了。 Codex、Cursor、WorkBuddy、豆包工作等等这些能读文件能跑命令的 agent 都能加载它。做出来的视频有两种，一种是数字人站在那儿讲的口播视频，另一种是没有真人、用各种画面风格把内容演出来的讲解视频，下面分开说。 功能详情 数字人口播视频 给它一段文案或者一个题目，再给一张人物照片，这张照片你得确认自己有权使用，agent 会把后面的事情都做完：配音、生成数字人视频、对口型、加字幕和关键词动效，最后输出一条完整的片子。 默认出的是 9:16 的竖屏，1080×1920，30 帧，发短视频平台可以直接用，想要横屏的也能出。如果你只给一个题目，它会先帮你写一版文案，大概 45 到 75 秒的长度。 不要真人的话，有十二种画面风格可以选 这条路线里没有数字人，你给的每一句话都会用画面演出来。风格一共十二种，其中九种是画风，三种是讲法，出的片是 16:9 的横屏。 仓库里有个演示我觉得挺直观的，它拿 KV cache 这个技术概念当题目，同一段讲解，用九种画风各做了一遍： 九种画风分别是设计师留白、科技感信号、手帐、纸艺立体书、波普漫画、3D 一镜到底、图纸与注脚、黑板报、黏土小城。 另外三种是讲法，不光是换个画风，讲的方式本身就不一样。推演是在一张画布上把公式和图形一步步推出来；案卷是模拟一个调查现场，在证据板上从一个异常查到结案；小剧场是用生活场景来演，角色先踩进一个误区，然后通过一张账单或者一次排队找到原因。 用起来的过程是这样的： 你把题目给它，选好风格，它先出一版能从头放到尾的初稿，配音、逐字时间轴、字幕、章节条、结尾、复习页这些都有，然后 agent 再一句一句去补每句话对应的画面。如果你拿不定主意用哪种画风，可以让它九种各出一版草稿，草稿不用额外花钱，看完再挑。 配音定好之后才动画面 这个项目有个设计我觉得挺关键的，就是先把配音完全定下来，之后才去做画面。配音定了之后，整条视频的时间就照这份音频来对，人物动作、字幕、剪辑点全都跟着它走。 这么安排有用的地方在于，改文案的时候只要重新录配音，画面会跟着新的音频重新对齐，不需要把原来的画面整段重新生成一遍。 做过数字人视频的对口型漂移应该都有体会，这个安排起码能让口型和字幕始终对着同一份音频。 流程分八个阶段，每步都要有实际产物 它把做视频这件事拆成了八个阶段，从建任务开始，到文案锁定、音频锁定，再到渲染和最后的验收。每个阶段要往下走，磁盘上必须已经有对应的文件，状态是用脚本算出来的，脚本看你目录里实际有什么文件，没有产物就进不了下一步。 出片之前还有一个验收环节，它会把母版和分享版完整解码检查一遍，响度也要在负 16 LUFS 上下 0.5 的范围里，这些都通过了，片子才会交付给你。 涉及付费的步骤，会先跟你报账 这个项目很多环节是要花钱调生成服务的，它的做法是，正式生成之前先用低成本的方式出一个试片，试片你认可了再花整段的钱。 第一次发起付费调用之前，agent 会先把账报给你，包括要上传哪些东西、生成多少秒、已知的价格、重试的上限是多少。远程任务中途断了，可以用任务 ID 接着恢复，不会因为重复提交多扣一次钱。如果连续三个付费生成的结果都不合格，流程会停下来，把失败的情况汇总给你，让你决定怎么办，不会自己一直重试下去。 照片和声音都有授权要求 用人物照片做数字人之前，要先确认照片你有使用权，照片里的人必须是成年人。声音克隆也必须是拿到明确授权才行，它不会根据一张照片去给你配一个声音。 另外仓库本身不存任何密钥和用户素材，每次任务实际用了哪家服务商、什么模型、什么参数，都会记录在任务文件里。 哪些地方要花钱 Skill 本身是免费开源的，花的钱都在生成服务上。数字人路线需要配音、数字人视频、口型同步这几样能力，可以用云端的 API，也可以用本地模型，它不绑定具体哪一家，跑的时候看哪项能力能用就用哪项。 风格化路线唯一要花钱的是配音，它是按行生成的，一行一句，生成过的有缓存，后面只改某一句的话，只需要重新生成那一句。如果你自己把配音录好给它，风格化路线就完全不用花钱了。 当然，也可以用模型本身的配音能力，这个配音效果就取决于模型语音能力了。 快速上手 我装的时候就是一句 git clone，把仓库克隆到 agent 的 skills 目录里，比如 Claude Code 是 ~/.claude/skills/ 下面，Codex 是 ~/.codex/skills/ 下面，目录名保持 lanshu-create-ai-presenter-video 不要改，它要求目录名和 skill 名一致。 装好以后正常聊天就行，我用下面这张我自己生成的人物照片和这段30s的口播文案，试试效果。 AI产品一天一个样， 哪个真好用，哪个只是噱头？ 不想踩坑，推荐关注公众号——极客之家。 它专注AI前沿技术， 解读最新模型和AI产品， 还会上手实测， 告诉你哪款值得用、适合谁、怎么用。 想跟上AI浪潮、少走弯路， 就搜极客之家。 关注它，一起把AI真正用起来。 最终输出的成果物，包括了开头那个视频： 想试风格化路线的话更简单，直接问它“做个 40 秒讲 RAG 的视频，不要真人，有哪些风格可以选”，它会带着效果图把十二种风格列出来让你挑。 环境依赖要提前装好： Python 3.9 以上、FFmpeg 带 ffprobe、jq、awk、sed。跑风格化路线还需要 Node.js、rsync、装了 numpy 的 Python，还有一个 MiniMax 的 API key，因为配音和逐字时间轴是从 MiniMax 拿的。 我的看法 我自己看下来，这个项目适合已经在用 Claude Code 或者 Codex 这类 agent、又想批量做讲解视频的人。它省的是流程上的事，配音、画面、字幕、验收这一串不用自己拼了，改稿的代价也小很多，但生成服务该花的钱还是要花，这一点要先有数。 感兴趣的话建议先从风格化路线试起，那条路线花钱最少，跑起来也快。 开源地址： https://github.com/cclank/lanshu-create-ai-presenter-video