作者为搭建视频配音工作流，测评并整理了 10 个开源 TTS 项目，按用途分为四组：中文配音带情绪（IndexTTS、VoxCPM、Qwen3-TTS、CosyVoice）、声音克隆与个性化（GPT-SoVITS、Chatterbox）、多人对话与播客（Fish Speech、SoulX-Podcast）、轻量实时（Kokoro、VibeVoice-Realtime）。文章为每个工具提供官方安装命令、可直接复制给 Agent 的提示词、显存配置要求、许可证说明及踩坑经验，强调选型应先看用途和显卡配置，再看 GitHub 星数。
作者开源了 sweety-handdraw-video，一套手绘口播视频自动化制作管线。它包含 AI 导演（自动分镜）、物理手绘引擎（模拟真人逐笔绘制）和 VoxCPM 2 拟真配音三大核心，输入文案即可全自动生成分镜、插画、绘制动画与声画同步视频。该工具在 ChatGPT (Codex) 环境下完美运行，不依赖外部付费视频生成 API，素材完全解耦、本地零成本重渲染，成本极低。开源版将持续免费维护，项目已发布至 GitHub。
本文拆解了一个14.5万粉的AI道家号，指出其成功关键在于将内容生产做成自动化生产线，而非仅靠画风。作者亲自实践，用Codex、Imagegen、VoxCPM等工具搭建了从选题、文案、分镜、配音到成片验收的完整流程，并强调人工在关键节点的确认作用。文章还分析了该账号的三层商业模式（橱窗带货、私域承接、服务入口），指出自动化与人工判断结合的重要性。
本文详细拆解了使用 Codex、HyperFrames、VoxCPM 及 fast-whisper 等开源工具，全自动生成图书号短视频的完整技术链路。流程涵盖资料收集、文案生成、语音克隆、音频后期处理及字幕对齐等关键环节，旨在构建一套可复用的 AI 自媒体生产工作流。
