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。
作者整理了 20 种与动画、物理、3D、声音及交付相关的开源技能与工具库，涵盖 Remotion、HyperFrames、Anime.js、React Spring、PixiJS、p5.js、Paper.js、Matter.js、Three.js、Rapier、OGL、tsParticles、glTF Transform、GL Transitions、OBS Studio、Chatterbox、Tone.js、faster-whisper、OpenCut 和 FFmpeg。每个工具附有简介和 GitHub 链接，覆盖从视频渲染、动画编排、图形绘制到配音、字幕转录和视频编码交付的完整创作流程。
作者开发了一个免费开源的雅思背单词网站「词光」，收录 7298 个雅思词汇，每个词配有原创插画、英音美音发音和例句真人配音（使用 ElevenLabs 生成）。网站无需注册即可使用，通过词汇星图点亮星星的互动方式增加学习趣味。文章发布后获得大量好评，网友建议包括做成 App、支持自定义每日单词量、优化字体、改善配图记忆技巧等，作者均积极回应并表示会跟进改进，还计划支持初高中词库和扩展到其他学习领域。
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。
本文介绍了如何用 AI Agent 工具 WorkBuddy 结合 HyperFrames 制作 HTML 动画讲解视频的完整工作流。流程分四步：撰写适合可视化的口播稿、录制并剪辑配音、用剪映生成并校对 SRT 字幕、将配音/SRT/视觉参考图交给 WorkBuddy 生成 HTML 画面并渲染成 MP4。核心技巧在于利用 SRT 字幕的时间戳为画面精确"排期"，避免 AI 猜测页面节奏导致的音画不同步。生成满意后可将 HTML 作为模板复用，后续只需替换音频和字幕即可持续产出风格统一的视频，适合知识讲解、产品介绍等不露脸口播场景。
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。
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。
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。
文章详细记录了作者构建个人 AI 视频生产线的全过程。包括从 MiniMax 云端声音克隆迁移到本地 IndexTTS2 以降低成本和延迟，解决参考音频漂移问题；接入 HeyGen 数字人实现虚拟分身，并通过脚本自动化视频合成与人脸裁切。文章分享了具体的代码配置、生产流程（脚本、配音、字幕、合成）以及避坑指南，适合高频视频创作者参考。
作者分享了将文章转化为网页视频的全过程。文章详细探讨了从使用 Voicebox 生成 TTS 音频的尝试，到发现逐段生成音色漂移、整段切分不准等问题，最终采用“整章音频 + cue 时间轴”的解决方案。内容涵盖了 TTS 技术选型、前端播放逻辑以及踩坑后的工具化思考。
本教程介绍如何利用 Claude Code（AI 编程助手）和 Remotion（视频代码框架）自动化制作自媒体视频。用户无需编写代码，只需通过自然语言下达指令，即可完成从环境搭建、脚本生成、配音合成到最终视频渲染的全过程。文章详细解析了搭建流水线、单期制作及后期调整的提示词技巧，适合制作科普、资讯、教程等类型的短视频内容。
