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。
作者分享了一个基于 Grok Bot 制作的公开模板「故事视频生成」，可将文章自动转成 1080×1920 竖屏口播动画视频。Bot 按导演流程推进：生成剧本、拆分镜头、设计角色并提供三种美术方向供挑选，用 AI 生成绿幕角色姿势图配合 Canvas/Playwright 渲染，配音采用可商用的 CosyVoice3，并配备自动质检和独立审片员逐条核对修正。文章通过《烂梨效应》和《边界》两个案例展示了完整制作过程，包括风格选择、姿势库搭建、读音纠正和画面修复。该 Bot 基于 hand-drawn-styles、huashu-art-motion、omniailab-ai-director 三个 MIT 开源技能，用户导入模板后即可一键生成带声音和画面的视频。
本文是 Codex 视频制作实战教程，讲解如何用 Codex 实现从文章或主题到成品视频的全流程自动化。作者介绍了完整的制作路线：生成口播稿、TTS 配音（含用 CosyVoice 复刻个人声音）、基于最终音频建立时间轴、拆解分镜、用 HyperFrames 生成成片，以及用 Remotion 制作固定栏目模板。文章还对比了 HyperFrames 与 Remotion 的选择策略，并补充了用 video-use 处理真人口播剪辑的方法。核心原则是先定稿声音再做画面，避免返工。零剪辑基础的新手只需将 GitHub 仓库链接交给 Codex，即可完成工具安装和视频生成。
