作者系统整理了 369 个开源仓库清单，聚焦于能让 Claude Code、Codex 等编程 Agent 实现视频生成、自动化剪辑与代码动效渲染的工具、Skill 和提示词库。文章收录规则强调视频/动效产出、专供 Agent 调用、完整文档三大标准，并打破高星滤镜。重点介绍了四大现象级框架：lemo-opuscar（59 种风格引擎）、huashu-art-motion（艺术动画）、huashu-motion（商业发布片）、sweety-handdraw-video（手绘口播流水线），以及自动化剪辑、代码直出成片、数字人与音乐 MV 等垂直领域的硬核项目，最后给出 2026 年 AI 视频生产工具选型决策表。
作者开源了一套耗时数周、花费数千美金打磨的数字人制作工作流Skills。只需一张照片和一句话指令，即可全自动生成数字人直播间带货广告，包括脸、声音、直播间、花字、价格动画等全部由AI完成。文章详细介绍了九大步骤：接入Renoise MCP工具、合成场景图、AI推荐风格、切分稿件、先报价拍首段、whisper回听与抽帧质检、拆解25支头部博主视频提炼的48个包装组件、三层景深字效果、以及过渡帧检查。成片成本仅482积分，替代了传统主播、灯光、场地、剪辑师的制作流程。
文章系统梳理了 2026 年主流开源 TTS 方案：CosyVoice 2 低延迟流式，适合实时语音 Agent 与数字人；GPT-SoVITS 擅长小样本音色微调与克隆；ChatTTS 拟人口语自然，适合 AI 播客；F5-TTS 与 Breeze-TTS 2 基于流匹配免对齐克隆，稳定性好；Fish Audio Drama 3 情绪表现力全面但算力要求高；MaskGCT 鲁棒性强，可处理气声耳语等极端发音；KittenTTS 2 体积极小，可在 CPU 端侧运行。各方案定位不同，读者可按延迟、音色、表现力与资源需求选型。
作者受"天工开帧"直播间启发，花四天从 0 到 1 搭建了基于 Vidu 实时数字人模型的 AI 主播"晚晚"，并在抖音成功直播 70 多分钟。文章拆解了原直播间的技术方案：Vidu 负责主播层，自研场控层负责弹幕过滤、排队、意图识别、换装、待机话题等。详细分享了踩坑经验，包括底图审美、音色选择、换背景导致衣服消失的事故及应对方案，并分析了游戏直播、无限流互动剧情、娱乐直播等应用方向。整套工具框架已按 MIT 协议开源。文中也提醒了 AI 直播的合规边界，强调真人出镜监督的必要性。
本文介绍了一种轻量级数字人口型同步方案：作者为英语陪练 App 制作了 6 个虚拟老师，每个角色仅需一张图片加约 0.5MB 素材，无需 GPU。核心是利用 Kokoro TTS 合成语音时天然携带的音素时长信息，将 44 个英语音素按视觉相似度合并为 9 种嘴型（viseme），生成时间轴通过响应头传递给前端。文章详细讲解了音素与视位的映射、音量修正停顿、LivePortrait 生成待机视频和嘴型图、以及 canvas 统一渲染等技术细节，实测嘴型偏差中位数约 0.1 秒，60 帧不掉帧。
作者宣布其2000+ Star的开源项目迎来重大更新，经过多轮迭代，使用Opus 5.5新增了9种动画讲解视频风格并开源分享。使用流程包括：拉取最新代码、在harness中使用skill完成任意主题的动画讲解（推荐v1设计师风格）、可选使用TTS模型配音、可选生成数字人口播视频。测试发现用该skill模版，即使使用Codex也能产出类似效果。项目原生支持数字人口播，口播人物视频可按文稿生成后嵌入画面。
作者精心整理了一份 AI 视觉与影视领域的 59 篇精选文章合集，涵盖 AI 视频生成、AI 生图、数字人、动画制作、ComfyUI 工作流等多个方向。内容包括 Cursor + Remotion 动画制作、Seedance 视频模型玩法、Gemini 3 Flash Image 生图探索、Suno AI 音乐生成、Claude Skill 开发、GPT Image 实测、数字人口播教程、3D 预演台实操等。文章以保姆级教程为主，兼有开源项目与经验分享，适合 AI 视觉与影视创作爱好者系统学习参考。
文章介绍了 Fotor Agent，一款能将 Markdown、PDF、Word、Excel 等文档转化为可编辑 4K MG（动态图形）视频的 AI 工具。它解决了传统 AI 视频生成只能输出不可编辑 MP4 的痛点，通过原生多轨道编排（画面、配音、字幕、MG 动画分离），支持自然语言指挥制作、精准局部修改和工程复用。作者实测用 PDF 生成数字人讲解视频，初稿时间从 3-5 天压缩到 40 分钟，成本约 $7.41，适合商业交付与高频改稿场景。
作者实测了 14 个数字人生成方案，用同一段配音和素材对比后，认为同价位中 HeyGen Avatar 5 效果最好，嘴型、声音和肢体动作最自然。文章总结了让数字人更逼真的 4 个细节：参考图应追求好看而非像本人、口型不能有延迟、肢体动作要自然且参考照片中需包含手部、提示词难以弥补模型能力不足。最后手把手讲解如何免订阅创建 AV5 数字分身并调用 API 出片，并指出了清理旧形象、避免遮挡嘴巴、锁定 AV5 引擎、注意竖屏裁剪和账户余额等 4 个常见坑。
作者开源了 AI 自动化视频剪辑项目 SeeCut，实现从数字人口播到网感精剪的全流程自动化。文章详细介绍了项目的四个关键设计：利用 Gemini 实现真正的视频理解、AI 自剪自评的迭代循环（用左右对比代替打分）、宁可截取真实界面也不生成假画面、基于 536 个镜头拆解总结的露脸决策表。流程分三步：数字人出镜（HeyGen）、AI 网感精剪、导出剪映草稿供人工微调。项目一句话即可通过 Claude Code 安装，作者也坦诚目前存在的速度慢、音效一般等不足，采用 PolyForm 非商业协议开源。
作者分享了一个 GitHub 上两天获得两万多星的开源项目 lanshu-create-ai-presenter-video。该项目只需输入一段文案和一张人脸照片，即可在本地全自动完成 TTS 语音生成、口型对齐、字幕压制、竖屏封面生成及质检，直接输出 1080P 竖屏成片，口型匹配度高，几乎无需手动修改。全程本地运行，避免了网页版工具排队和按分钟收费的限制，适合批量短视频内容创作者使用。
作者分享了自己用 AI 搭建口播视频自动化剪辑管线的实践：结合 Hypit 的爆款拆解逻辑、Talkcraft 剪辑管线、Hyperframes 动效组件、数字人口播生成，以及 Gemini 视频理解接入 Claude Code 做质检，实现从数字人口播到自动出片并推送剪映工程文件的完整流程。此外，作者还开发了一个 Codex Skill「ah-longform-clip-matrix」，基于语义块拆解与重组，将 8 分钟长视频切分成多条角度不同的短视频用于矩阵分发，源码已开源。作者同时分享了 AI 自媒体低粉变现的经验与新手入局建议。
作者分享了如何用 AI 完全生成 UGC（用户生成内容）视频，将单条成本从 20-50 美元降至 4-6 美元的完整工作流。步骤包括：研究垂直领域内热门视频的钩子和人物形象；用 JSON 提示词限制图像模型的默认风格，生成具有相似气质的逼真虚拟人物（Gemini 3 Pro 效果最佳）；通过 Seedance 2.5 让人物开口说话，并用原视频音频作为参考保证语调自然；用手机录屏制作产品演示；最后借助 Claude Code 和 treg_ai 批量生成 5-10 个不同钩子与演示配对测试投放效果。
文章拆解了抖音「异地开播/跳人脸」技术服务的生意链条。作者将这门生意分为四层：卖绕过人脸核验、卖云推流、卖排班与中控、卖合规咨询。指出其暴利源于断播损失远高于服务费用，客户决策快、客单价高。同时警示：跳脸、代刷脸属于黑灰产，面临封号和法律风险。真正可持续的路径是卖合规的远程推流基建、技术值守、数字人补位和咨询服务。文章给出定价、获客方法及三条铁律：分清客户要的是「稳」还是「假」，只卖可审计的交付，把红线当竞品而非业务。
HeyGen推出的5天系列课程第一天，教房地产经纪人如何将本地新闻转化为30秒短视频内容。文章提出五段式内容框架：Hook（钩子）→ Turn（转折）→ Proof（论据）→ Stakes（争议问题）→ Ask（行动号召），并强调与其等待房源素材，不如持续关注本地市场动态，将新闻故事快速制作成视频。文中提供空白脚本模板、奥斯汀案例演示，并指导读者用HeyGen数字人工具在15分钟内完成第一条视频，最后附上发布前的质量检查清单，帮助经纪人建立每日内容习惯并打造本地专家形象。
本文详细介绍了如何用豆包串联三个云端服务，实现从 0 到 1 生成数字人视频的完整流程。作者将整套工作流拆分为四个平台的分工：智凌 API 负责提取短视频文案，MiniMax 负责克隆声音并生成音频，蝉镜负责让数字人形象开口说话，豆包则负责调用各平台接口、整理中间文件并验证每步完成情况。文章按照平台准备、凭证准备、素材准备、三项单项测试、完整成片、人工验收的顺序展开，详细说明了各平台的注册流程、API Key 获取与管理、克隆音色创建、数字人形象训练、以及豆包 Skill 的建立方法，同时强调了 API Key 安全管理的重要性，并最终产出一条 10.24 秒的竖屏数字人视频。
文章拆解了如何在TikTok、小红书、抖音上制作以假乱真的「沉浸式日常AI VLOG」的完整工作流。核心方法不是数字人，而是「AI极致底图+首尾帧连续生视频」：先用Nano Banana按万能公式生成生活感底图，再基于底图保持人物一致生成动作关键帧，然后用VEO 3.1/Flow等工具以首尾帧模式生成丝滑运动视频，最后在剪映拼接、加字幕和白噪音成片。作者还给出10秒分镜提示词模板，并介绍了不露脸起号、沉浸式带货、出海TikTok等变现路径。
本文介绍如何使用一个名为 ai-history-vlog 的免费 Claude Skill，结合 Arcads AI 视频生成工具，复刻爆火的 YouTube 频道「Chloe VS History」的历史穿越 vlog 视频。用户只需提供一张正面照片、一段 90 秒语音和想穿越的历史时代，Skill 即可自动完成历史调研、以第一人称反应视角撰写剧本、锁定角色面部一致性、生成场景视频并剪辑成片。文章详细讲解了 MCP 连接器配置、Skill 安装、照片与语音素材的最佳准备方式等每一步操作要点。
作者整理收藏夹中的「0出镜短视频 skills」，精选出十项开源工具与技术方案，涵盖手绘故事视频、Vox风格拼贴解说、数字人口播、3D动画科普、火柴人动画、儿童折纸定格动画、图书带货流水线、古诗词动态画等多种形式。这些方案借助Codex、Claude Code等AI工具，可实现从选题、脚本、分镜、配音到成片的高程度自动化制作，适合不想出镜的短视频创作者参考。
文章介绍了PixVerse R2世界模型的突破：不同于生成固定内容视频的传统路线，R2实现连续可交互的视频流，用户的实时输入能持续影响场景、角色和故事。技术报告解析了其两层训练架构、Dynamic Chunk动态分块、Hybrid Teacher Forcing与Diffusion Forcing抑制漂移，以及Sink Memory、Rolling History、Object KV Cache三通道记忆系统。应用方向包括可探索的World、互动影游Story和实时数字人Character。作者认为影响持续存在的世界模型将催生互动影视、实时游戏和新型社交空间等新形态产品。
作者体验了 Topview 推出的 Codex 插件，实现了在 Codex 对话框内一站式完成视频创作的全流程。该插件打通了视频创意、分镜脚本、生图、生视频、数字人口播和配音等环节，用户只需一句话描述需求（如制作 TikTok 带货短视频），Codex 即可调用 MiniMax H3 等能力直接产出可投放的成品视频。插件内置带货广告、短剧广告、病毒视频翻拍等模板，适合电商批量素材生产、口播号制作和跨境卖家选品。Topview 订阅用户还可获得 10 次免费 MiniMax H3 视频生成额度。
谷歌于7月将 Gemini Omni 接入 Vids，并上线 Personal Avatar 功能。用户经验证采集个人形象后，可在 Vids 中将数字分身作为角色生成视频片段，并通过自然语言完成视频编辑。作者认为这一更新的核心在于视频制作入口从时间线剪辑前移到需求描述，特别适合培训视频、产品更新、客户教程、内部汇报等解释型视频。文章详细介绍了完整工作流：先写视频任务单、生成脚本分镜、用自然语言逐段修改、再加入 Avatar 出镜，并强调发布前需人工核对数字承诺、肖像授权、品牌素材、多语种字幕等五项检查，指出未来视频制作的关键能力是定义任务而非软件操作。
本文介绍了如何使用APOB AI和Seedance 2.5构建一个可重复的AI网红Vlog创作工作流：先用AI Influencer Generator创建一致的角色形象，再用GPT Image 2.0生成开场自拍照帧并转化为16拍故事板，最后用Seedance 2.5生成最长30秒的连续Vlog视频。相比一次性提示生成随机短片的'提示轮盘'方式，这种分步骤流程保证了人物身份、场景连续性和自然叙事，让AI Vlog从碰运气变为可操作的创作者工作流。
本文介绍了一套基于本地显卡的数字人口播视频生成方案，旨在替代成本较高的云端服务。文章详细讲解了从电脑配置检查、一键启动工作流，到接入 Duix.Avatar 本地数字人、调整动画画风的完整步骤，并分享了如何构建长期复用的工作流及多平台内容变现策略。
本文指出做数字人视频时，一体化工具并非最佳选择，因为一条数字人口播视频包含形象、声音、口型、内容、环境五个独立位置。作者通过自身实践，对比了本地链路（手机拍摄、Qwen TTS、MuseTalk）与云端方案（Seedance 音画同出）的优劣，强调本地链路可控但效果受限，云端方案效果佳但难以精确控制。文章提出应根据需求选择方案，并建议将定妆卡沉淀为主播库、收藏夹沉淀为选题库，以实现复利积累。
HeyGen 发布了专为房地产行业设计的 Market Update 功能，用户只需一个提示和三次确认，即可生成由数字人播报的本地房地产市场更新视频。文章详细展示了从首页创建、输入信息、选择 Avatar 和声音，到确认脚本、调整语音、选择格式并最终生成视频的完整流程。该功能旨在帮助房地产经纪人快速向客户传递市场动态。
本文是系列第二篇，详细介绍了从数字人到营销视频的搭建过程。作者先拆解了数字人视频的五个要素（形象、声音、口型、内容、环境），并对比了全本地链路（自拍素材、Qwen TTS、MuseTalk）与云端音画同出方案（Seedance）。文章重点展示了如何利用飞书多维表格和豆包工作任务，实现选题采集、主播库管理、脚本生成和视频出片的自动化工作流，并讨论了效果与可控性的取舍。最后，作者总结了核心经验：拆解要素、权衡效果与可控、沉淀资产表以实现复利。
本文介绍了作者使用 Codex 和 Remotion 框架制作个人 IP 视频的实践。作者将脚本、分镜、视觉设计、React 代码、动画、预览、修改、渲染成片的整个流程交给 AI 和代码完成，实现了视频的程序化生产。文章详细讲解了 Remotion 的核心概念（用 React 做视频）、如何给数字人和真人添加特效、以及如何通过自然语言指导 Codex 修改代码。作者认为，视频正在变成一种可编程的内容，内容创作者应建立自己的内容系统，以提高生产效率和竞争力。
本文针对AI生成人物视频中常见的“一眼假”问题，从皮肤细节、场景匹配、产品适配、角色设定、视频状态、声音同步、制作工具和内容逻辑等多个维度，系统分析了数字人真实感不足的根源，并提出了一套以“先定内容，再出人物”为核心的创作流程。作者强调，真实感并非单纯依赖皮肤纹理等细节，而是人物、场景、动作与产品之间的逻辑自洽。文章还提供了可直接使用的增强真实感的提示词模板，以及关于声音克隆和数字人制作工具（如MiniMax、HeyGen）的实用建议。
作者分享了开源数字人项目 Kanvis 的经历与思考。他认为在 AI 时代，真正的稀缺资源不是使用 AI 的能力，而是“可验证性”。通过公开代码、倒逼产出、筛选需求和建立信任，开源不仅避免了重复造轮子，更构建了个人信用。作者强调工具只是表象，核心在于利用 AI 重新设计业务流程，降本增效，并最终希望通过开源构建一个共同成长的生态系统。
