导读
完全没接触过这块，从头顺着读，术语第一次出现的地方我都解释了。
想自己动手搭一条全本地的数字人，看前2 章。
如何搭建数字人营销视频，看第 3 到第 6 章。
拉到最后看视频提示词学习库
1.数字人五要素
做这件事最容易犯的错，是去找一个一体化工具，指望它从选题到成片一把梭。用一阵子之后一定会出岔子。
一条数字人口播视频只有五个位置：
1、形象：角色卡。
2、声音：音色、语气。
3、口型：让嘴的动作和声音对上。
4、内容：讲什么选题，逐字稿怎么写。
5、环境：这个人在哪儿。画面里的背景，和耳朵里的空间感。
五个位置互相独立，每个都可以单独替换。
另外声音和口型有两种实现路线：如果声音来自 TTS，你必须再过一遍口型模型；如果声音来自音画同出的视频模型比如豆包，口型是模型自己带的，不需要再对。
飞书选题库 ──► 豆包写脚本 ──► 飞书主播库挑参考图
│
▼
Seedance 音画同出
（画面、声音、口型、环境一次生成）
│
▼
成片
▼
发布数据回填飞书选题库第 2 章我会完整讲一条全本地的链路，自己拍素材、Qwen TTS 配音、MuseTalk 对口型。我先测试了本地，也是理解这五个位置最好的方式。但真做营销视频的时候，中间这三步被 Seedance 一步替掉了，第 5 章讲这个替换是怎么发生的，以及什么情况下我用本地的链路。
2. 形象和声音
2.1 形象：自己拍一段，或者找朋友拍
数字人的形象可以直接来自你本人。不需要绿幕和专业设备，拿手机正面拍一段 30 秒左右的素材就够了，找朋友或者同事帮你拍也行。
至于这一段该怎么拍才对，看完 2.3 和 2.4 你就明白了。
2.2 配音：VoiceBox 里跑 Qwen TTS
TTS 是 Text To Speech 的缩写，一句话解释：把文字念成人声。你把逐字稿丢进去，它吐一条音频出来。
我用的是 VoiceBox，本地跑，免费，集成了一批开源语音模型，其中中文效果最好的是 Qwen。它有一个能力对做账号的人特别重要，叫声音复刻：你录几句话给它，几十秒的素材就够，它之后就能用你的音色念任何稿子。也就是说，数字人的脸是你，声音也是你。
它还自带 Whisper，用来听着最终音频倒推每句话的真实时间戳，也就是字幕。这里有条结论第一篇里我踩过：时间戳必须从最终音频倒推，不能按稿子字数去估，估出来的越往后差距越大。
2.3 口型：MuseTalk
这是我这三个星期主要在折腾的东西。
现在你手上有两样不相干的东西：一段你自己拍的人脸视频，和一条 TTS 念出来的音频。视频里那个人的嘴，动的是拍摄当时说的话，跟这条音频对不上。口型模型的工作，就是把视频里那个人的嘴部逐帧重画一遍，让嘴的动作和你给的这条音频对上。
我用的是 MuseTalk，开源、免费、本地跑，我跑的是 1.5 版本。输入是人脸视频加音频，输出是一条口型对上的视频。
到这一步，一条全本地、零成本、可批量的链路就通了：脸是我自己的，声音也是我自己的，稿子不用传给任何第三方。如果你只做自己一个账号，量也不大，看到这里就已经够用了。
前三个位置到这里就齐了。你有了一个数字人，但还没有一条营销视频。
2.4 能否做营销视频？
拿上面的视频做营销视频，问题会很多：
1、只有人没有物
2、口型模型对于姿势，构图会有要求
3、没有环境因素，没有环境音
4、最重要的是，拍什么才能爆？
几个问题，我用的是同一个解法解决：飞书里的豆包。
选它的理由很实在，它一头连着飞书，一头连着 Seedance。
这条产线的两端分别是数据和生成。选题要采集下来写进多维表格，主播库的参考图要存进飞书，出片要调 Seedance，发出去之后成绩还要回填。
这几件事如果散在不同工具里，你每天大量的时间会花在导出、上传、复制粘贴上，而且一定会漏。豆包把它们收进了同一个对话框：打开飞书就能用，不用装插件，它有一个模式叫办公任务，你一句话下达目标，它自己规划步骤，自己去调云端浏览器、飞书文档、多维表格和 Seedance，把整件事跑完，再把能直接用的结果交给你。
下面三章，就是从数字人走到营销视频的三步。
3.营销视频- A.找选题
进入豆包后，点输入框下方的工作任务，选择工作任务模式。抖音搜索、视频数据采集、内容分析，以及飞书多维表格的创建和写入，都可以直接交给它。
你不需要提前建表，也不需要自己配置字段。我发的提示词：
请帮我完成一次抖音对标视频采集任务。
搜索最近 24 小时内与【产品介绍】相关的视频，筛选点赞量最高的 10 条。
采集以下信息：
标题、链接、创作者、发布时间、点赞数、评论数、内容类型、爆款原因、
声音风格、镜头形式、可复用的钩子句式。
完成后创建一张飞书多维表格，命名为数字人选题库，
自动配置字段并写入结果，按点赞数从高到低排序。它会自己打开浏览器、翻页、提取数据，最后把表建好。跑完之后再让它建一个定时任务，每天上午 9 点自动采一轮，写入前检查链接去重。
到这一步，那个不产生积累的循环就断了：爆款不再沉进收藏夹，而是进了一张会持续变长的表。
声音风格、镜头形式、可复用的钩子句式，这个是 prompt 里的关键，采集的时候多问一句，写脚本的时候就少猜一次。
4.营销视频- B. 三千佳丽主播库
4.1 定妆
生成数字人不能每次都从零开始，那样每条视频里的人都不一样，账号没有人设。
正确的顺序是先做一张参考卡片，把这个人定下来：脸型、发型、气质、光线方向、镜头焦段。这张卡片就是这个人的身份证，后面所有生成都以它为准。
这也是为什么做数字人一般都用带参考图的生成方式，而不是纯文字描述。
4.2 主播库
定妆卡有了，接下来就可以在同一张脸的基础上，批量换妆容、换服装、换场景，生成一组参考图。这一组图就是主播库。
我的主播库长这样：同一个脸型，不同的妆容浓淡，不同的着装风格，不同的背景环境。下一次要拍一条视频，不用再拿手机拍，从主播库里挑一张对得上产品调性的，让豆包基于这张参考图生成。
让换衣服、换场景、换风格，变成一次挑选。
4.3 为什么这个库要放在飞书里
先解释一下飞书多维表格是什么，没用过的人可以理解成：一张长得像 Excel、但每个格子能直接放图片和附件的在线数据库，还能一键切换成看板视图和数据图表。
主播库要放在这里，它是一个要被反复筛选和调用的资产表。我建的字段：
5. 营销视频- C.音画同出：Seedance 一步替掉前面大半条链路
第 2 章是分段做的：拍素材、TTS 出声音、MuseTalk 对口型，三步接起来。
还有另一类模型，是把声音和画面一起生成出来的，业内叫音画同出。你给它一段描述和一张参考图，它直接吐一条带声音的视频。我现在用的就是这条，模型是 Seedance，在飞书里的豆包直接调。
它能直接替换几乎所有的流程：
2.4 里那几个问题，大部分是被这一步一次性解掉的：画面里可以有产品而不只是人，姿势和构图不再受口型模型那些限制，环境那一格也终于有东西填了。
5.1 环境音是怎么来的
介绍产品不能干巴巴地念，灵感我一直是让豆包去抖音里找。调研的时候扒到一个词：ASMR，沉浸式声音。
我拿了几张参考图，按沉浸式声音的路子试着生成了几条，出来的东西里带着一整层环境音效：翻纸、脚步、杯子放下、室内那种说不清但确实存在的空气感。
这些声音用 TTS 拿不到，去素材库找也很难和画面对上时间点。第五个位置到这里填满了，而且填它的不是语音模型，是一个视频模型。
5.2 Trade off 效果和可控
它的发挥空间太大，你很难让它一字不差地念完你的稿子。营销视频里产品名、价格、活动截止时间，念错一个字这条就废了。
所以第 2 章那条本地方式我没有删，两个方式是这么分工的：
要氛围、要环境、画面里要有产品：Seedance 音画同出，一步到位。
逐字必须准确，或者稿子不方便传出去：回本地那条，牺牲效果换可控。
大部分营销视频我走前一条。
补充一句选型上的实话：中间我还试了 MiniMax H3。它是跑在本地的模型，出来的东西不差，胜在零成本和可控，但完成度到不了云端那一档。而在飞书里让豆包调研完直接用 Seedance 出片，整段是一次性生成的，明显更完整。本地模型的价值在可控，出效果这一段还是得靠云端。
6.营销视频工作流
单看每一张表都只是个数据库，下面是串联流程：
选题库 ──► 豆包出脚本 ──► 主播库挑参考图
│
▼
Seedance 出片
▼
发布 ──► 数据回填两张表
（完播率写回主播库，
实际表现写回选题库）哪一类选题你做得动，哪一个形象的完播率更高，哪种声音风格在你的品类里更吃香。数据采集后，后面就能做得更好。
而且因为它在飞书里，可以公司内共享。运营挑选题、设计看主播库、老板看数据看板，同一份数据，各看各的视图。这是我最后把两张表都放进多维表格而不是留在本地的根本原因。
这张表这么看：本地链路负责可控，Seedance 负责效果，飞书负责积累，豆包负责把它们连成一条线。
总结
回头看，这篇文章可以学习到：
第一，五个位置要拆开，而且要认清它们分两段：形象、声音、口型让你有一个数字人，内容和环境才让它成为一条营销视频。绝大多数人的力气花在前三个上，卡住他们的是后两个。
第二，效果和可控是一对取舍，别指望同时拿满。音画同出给你环境、情绪和完成度，代价是交出逐字控制权；本地链路反过来。想清楚这一条视频要哪一头，比调参数重要。
第三，一条视频做完就结束了，一张表做完才刚开始。定妆卡沉淀成主播库，收藏夹沉淀成选题库，这两件事的收益是复利的。
