99% 的人没看出来的数字人口播实战攻略

---
title: "99% 的人没看出来的数字人口播实战攻略"
author: "Rachel🥥 (@Zesee)"
source_url: "https://x.com/Zesee/status/2077723280534851786"
published_at: "2026-07-16T11:53:26.000Z"
fetched_at: "2026-10-22T14:49:06Z"
updated_at: "2026-10-22T14:49:06Z"
language: "zh"
review_status: "source-checked"
---

![](https://pbs.twimg.com/media/HNWMh9eXQAAFCKW.jpg)

# 99% 的人没看出来的数字人口播实战攻略

昨天发了一条数字人讲 FDE 的口播视频,很多人的第一反应不是问我用了哪个工具,不相信这真的是数字人。我把整条数字人口播流程做成了一个可以复用的 Codex Skill。

GitHub 仓库:https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production

我的最终工作流是:

素材检查 → MiniMax 生成配音 → HeyGen 15 秒样片 → 人工确认 → HeyGen 完整版 → 下载验片 → 状态归档

这套方案适合知识口播、短视频批量生产、课程讲解、产品介绍、多语言内容和固定 IP 数字人账号。

![](https://pbs.twimg.com/media/HNWLRYhWoAABTgS.jpg)

![](https://pbs.twimg.com/media/HNWLRYiWkAAilel.jpg)

## 

## 一、整条链路怎么分工

这套方案的核心,是把声音和画面拆开。

\- MiniMax:负责声音克隆和 TTS。

\- HeyGen:负责人像驱动、口型、表情和动作。

\- Codex:负责检查素材、调用流程、记录状态、控制风险。

完整链路是:

1. 准备真人录音,用 MiniMax 海外版克隆声音。
2. 把文案交给 MiniMax TTS,生成克隆音色的 MP3。
3. 准备一张清晰正面人像。
4. 把人像和 MiniMax 生成的 MP3 上传到 HeyGen。
5. 先生成 15 秒样片,确认后再生成完整视频。

这里最容易犯的错是:声音已经由 MiniMax 克隆完成,却又让 HeyGen 重新配音。

如果目标是保留 MiniMax 的克隆音色,就应该把 MiniMax 生成的音频上传到 HeyGen,用这个音频驱动画面。不要切回 HeyGen 的 \`script + voice\_id\` 方案,否则声音相似度会被覆盖。



## 二、HeyGen和 Minimax 模式怎么选

第一次操作,建议直接用 \`Image-to-Video\`,调用api key即可,一次2min的视频大约消耗2刀。

它比较轻:不用一开始就训练 Avatar,只要上传一张人像和一段音频,就能快速看到口型、表情、脸部稳定性和构图是否可用。

我的建议:

\- 单条测试:先用 Image-to-Video。

\- 固定账号长期生产:再做 Photo Avatar。

\- 没验证前不要急着训练 Avatar,测试阶段越轻越好。

再说 MiniMax,我的建议:

\- 第一次测试:用海外版 Voice Clone 克隆声音,再用 TTS 生成 MP3。

\- 追求质量:优先选 \`speech-2.8-hd\`。

\- 追求速度和批量预览:可以用 \`speech-2.8-turbo\` 先跑测试。

![](https://pbs.twimg.com/media/HNWLh8PXkAAXR9u.jpg)

![](https://pbs.twimg.com/media/HNWLh8FW0AA8YAj.jpg)

![](https://pbs.twimg.com/media/HNWOFu1XAAA_tKR.jpg)

## 

## 三、素材准备:不用复杂,但必须干净

声音克隆效果不好,很多时候不是模型不行,而是样本不干净。

MiniMax 当前官方要求里,声音样本需要满足:

\- 格式:MP3、M4A 或 WAV。

\- 时长:至少 10 秒,最多 5 分钟。

\- 文件大小:不超过 20 MB。

\- 可选提示音频:少于 8 秒,并且要提供与音频完全对应的文字。

实操里我更建议录 30 到 90 秒:单人、无背景音乐、无明显混响和电流声,音量稳定,语速接近日常口播,不要用过度降噪、变速或压缩严重的二手音频。

![](https://pbs.twimg.com/media/HNWNKgfXUAAiMth.jpg)

人像也一样,要干净:

\- 正脸看镜头,五官无遮挡。

\- 露出头、肩和上半身,人物占画面约 50% 到 70%。

\- 嘴部清晰,不要被头发、手、滤镜遮挡。

\- 竖屏短视频优先用 9:16 或接近 9:16 的图片。

\- HeyGen Assets API 支持 PNG、JPEG 图片;普通素材上传单文件上限为 32 MB。

嘴部越清晰,口型越稳定;声音越干净,克隆越像本人。

![](https://pbs.twimg.com/media/HNWNWrfXwAAyrJX.jpg)

## 四、怎么放进 Codex 执行

我会把每个数字人项目都按同一个目录结构放:

```markdown
project/
├── inputs/
│   ├── portrait.jpg
│   ├── voice-source.mp3
│   └── script.md
├── work/
│   ├── voiceover-full.mp3
│   ├── preview-15s.mp3
│   └── job-state.json
└── outputs/
    ├── preview-15s.mp4
    └── final-1080p.mp4

```

然后对 Codex 说:

\`\`\`text

请用 MiniMax 海外版声音克隆和 HeyGen API 制作数字人口播。

输入:

\- 文案:inputs/script.md

\- 人像:inputs/portrait.jpg

\- 声音样本:inputs/voice-source.mp3

\- MiniMax 密钥来自环境变量 MINIMAX\_API\_KEY

\- HeyGen 密钥来自环境变量 HEYGEN\_API\_KEY

流程:

1. 先检查素材。
2. 先生成 15 秒样片。
3. 样片确认后再生成完整版。
4. 所有任务 ID 写入 work/job-state.json。
5. 不要在日志、脚本或文档中显示完整密钥。

\`\`\`

这一步的重点是标准化。

你不需要相信自己每次都记得所有细节。你只需要把正确流程写进 Skill,让 Codex 每次按流程执行。



## 五. 这个 Skill 固定了什么

仓库地址:

https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production

调用方式:

\`\`\`text

用 $rachel-digital-human-production 做这条视频,先只做 15 秒样片。

\`\`\`

它固定了:

\- 固定目录结构。

\- 先检查文案、人像和声音样本。

\- MiniMax 负责声音,HeyGen 负责画面。

\- 永远先生成 15 秒样片。

\- 样片没有明确确认,不生成完整版。

\- 每一步记录 \`voice\_id\`、\`asset\_id\`、\`video\_id\` 和状态。

\- 失败不盲目重试,避免重复扣费。

\- 最终 MP4 必须完整检查。

\- 不把 API Key、授权 header、临时下载链接写进日志或状态文件。



## 六、小tips

数字人视频最容易踩坑的地方,是成片不自然。

常见问题包括:声音不像本人、中文口型跟不上、脸部轻微变形、嘴角和下巴运动奇怪、眨眼和肩部动作不自然、构图不适合短视频平台。

所以我把“15 秒样片”写成强制步骤。先用 15 秒确认声音、口型、画面和构图。确认没问题,再跑完整视频。



相关链接:

\- GitHub 仓库:https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production

\- MiniMax Voice Clone 官方文档:https://platform.minimax.io/docs/guides/speech-voice-clone

\- HeyGen Image to Video 官方文档:https://developers.heygen.com/image-to-video

\- HeyGen Assets 官方文档:https://developers.heygen.com/assets