数字人视频低成本怎么做？lanshu：一张授权图+文案自动跑出带字幕成片

2026-08-26 AI 工具

「lanshu-create-ai-presenter-video」是一个面向 Codex 的开源数字人视频技能（MIT，Python，913⭐）：给它主题/文案和一张授权人物图，它自动组织文案、配音、人物生成、口型校准、字幕、关键词动效、剪辑、渲染和质检，一条龙产出带实时字幕+封面的成片，且源码不绑定任何厂商/模型。适合做知识口播、产品讲解、课程/培训口播的创作者。注意它是给 Agent 用的技能、不是独立 App；开源的是编排，配音/人物生成的模型能力本地没有仍需付费；人物图须获授权且为清晰成年人。

💡 快速判断面向 Codex 的开源数字人视频技能（MIT，Python，913⭐）：给一份文案+一张授权人物图，它就自动组织文案、配音、人物生成、口型校准、实时字幕、关键词动效、剪辑、渲染与质检，一条龙产出带字幕+封面的成片；源码不绑定任何厂商/模型，按本地可用能力优先选型。适合做知识口播、产品讲解、课程口播的创作者。注意：它是给 Agent 用的技能不是独立 App；开源的是编排，配音/人物生成的模型能力若本地没有仍需付费；人物图须有授权且为清晰成年人。

这是什么

lanshu（cclank/lanshu-create-ai-presenter-video）是一个面向 Codex 的开源「数字人视频」制作技能。它不是一个独立的视频 App，而是装进 Codex 里的一组指令（Skill）：你只要给它一份文案（或一个主题）+ 一张你有授权、含清晰人物的参考图，它就会自动把下面这几件事串成一条产线：

文案组织 → 配音 → 人物生成 → 口型校准 → 实时字幕 → 关键词动效 → 剪辑 → 渲染 → 质检交付。

仓库源码目前 913⭐、MIT 协议、用 Python 写成，2026-08-20 上线。

亮点

不绑死任何厂商/模型：源码里不含任何服务商、模型名或私有接口。它按「当前环境有什么能力」来选工具——本地能跑的就用本地，跑不了才走付费生成。想换模型、换服务商，不改代码。
一次跑完一整条产线：从脚本到画面到字幕到 QA 报告，一套流程推进到底，不用在多款工具之间来回导。
输入最少只要两个：一个主题或一份完整文案 + 一张参考图。可选输入包括声音样本、B-roll、品牌素材、目标平台、时长、横竖屏（16:9 / 9:16）、风格、水印、结尾引导。
省上下文的读档设计：把流程拆成三份参考文档——generation.md（输入检查/文案/声音/能力选型/人物提示词与一致性）、editing.md（时间轴/开场与结尾/字幕预设/人物侧关键词动效/封面与导出）、qa-recovery.md（技术+人工验收与常见故障修复）。Codex 只在进入对应阶段时读对应文档，减少 token 占用。
带质检交付：产出前会做技术验收与人工验收（检查口型同步、字幕、封面），最后交回一个带 QA 报告的成片。

怎么用

前提：一个能加载本地 Skill 的 Agent 环境（如 Codex）、Python 3.9+、FFmpeg / ffprobe、bash / jq / awk。

# 1. 装进 Codex 的 skills 目录
git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \
  ~/.codex/skills/lanshu-create-ai-presenter-video

# 2. 初始化一个任务目录（给文案/主题 + 授权人物图）
SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-video
python3 "$SKILL_DIR/scripts/init_job.py" \
  --job-dir ~/Videos/my-presenter-video \
  --presenter-image ~/Pictures/presenter.png \
  --topic "视频主题" \
  --duration 60 \
  --aspect 9:16 \
  --rights-confirmed \
  --adult-presenter-confirmed

# 3. 查看并补全 job.json 后跑 preflight 校验
python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

也可以在 Codex 对话里直接说一句：使用 $lanshu-create-ai-presenter-video，把这份文案和人物图做成一条 16:9、30 秒、有实时字幕的数字人讲解视频。 剩下的交给它按能力选型、推进、质检。

适合谁 + 三个诚实的注意

适合：做知识类/口播短视频、产品讲解、课程或培训口播，想把「写好的稿子变成有人讲的竖屏视频」交给 Agent 的创作者；尤其在意不把流程锁死在某个订阅制 AI 视频平台（类似 Synthesia / Higgsfield）的人——这条产线是开源的，能力层可换成你自己的模型。

三个注意：

它是给 Agent 用的「技能」，不是独立 App：你得有一个能加载本地 Skill 的 Agent 环境，否则装不起来；它做的是「编排 + 质检」，不提供一个点开的图形界面。
免费的是编排，不是生成：项目本身开源 MIT 不要钱，但配音、人物生成这几步它会优先选本地模型，本地跑不了才走付费生成。想真零成本，得自己准备本地可跑的人物/语音模型；否则会产生 API 费用。
人物授权是硬前提：参考图必须是你有授权、含清晰成年人的照片，并要在 job.json 里勾确认（--rights-confirmed / --adult-presenter-confirmed）。这是它前置校验的一部分，别拿未经授权的真人脸来跑。

项目信息

GitHub：https://github.com/cclank/lanshu-create-ai-presenter-video