一键生成专业数字人讲解视频：不绑定厂商、可审计、全链路开源的 AI 视频工作流

你是否曾为制作一条 60 秒的产品讲解短视频，反复调试口型同步、手动对齐字幕时间轴、反复上传素材到不同平台、担心人物形象或声音版权问题而耗费半天？lanshu-create-ai-presenter-video 正是为此而生——它不是另一个“点一下就出视频”的黑盒 SaaS，而是一套运行在本地 Codex 环境中的、可验证、可审计、完全解耦服务商的 AI 数字人视频生成工作流。只需一份文案 + 一张授权人物图，它就能自动完成文案组织、语音合成、数字人驱动、唇形校准、字幕动效、多轨剪辑与质量验收全流程，并输出带 QA 报告的成品母版。

核心功能

零厂商锁定的多模型调度能力：不硬编码 OpenAI、ElevenLabs 或 HeyGen 的 API，而是根据本地环境已配置的能力（如可用 TTS 引擎、数字人生成服务）动态选型，切换模型无需改代码，真正实现“工具随环境走”。
以音频为时间基准的精准对齐机制：先生成完整配音音频作为唯一时间轴，后续所有环节（数字人嘴型、字幕出现、关键词高亮、镜头切分）均严格按此音频帧级对齐，彻底规避行业常见的“口型漂移”和“字幕拖拍”问题。
分阶段文档驱动式执行：将生成（generation.md）、剪辑（editing.md）、质检与修复（qa-recovery.md）拆分为三份独立文档，Codex 仅在对应阶段加载所需上下文，大幅降低 token 消耗，提升长流程稳定性。
面向生产环境的版权与安全前置检查：强制要求确认“人物图像授权”“成年人物状态”“声音克隆许可”三项法律前提；首次付费调用前自动弹出费用依据、试片方案与重试上限说明，避免隐性扣费与合规风险。
结构化任务目录 + 可追溯交付物：通过 init_job.py 初始化标准任务目录，自动生成 job.json 配置文件；最终交付包含母版视频、平台适配版（如抖音竖屏 9:16）、字幕 SRT、QA 验收报告（含口型误差帧数、响度 LUFS 值、静音段检测等技术指标）。
关键词驱动的智能动效系统：自动识别文案中核心名词/动词（如“实时渲染”“零延迟”“SaaS 架构”），在对应音频时段触发人物微动作、文字放大、背景色块浮现等轻量动效，无需手动打关键帧。
故障导向的 QA 自恢复机制：当生成失败时，优先查询已有任务 ID 避免重复计费；连续三次候选服务失败后自动中止并输出结构化报错摘要（如“TTS 服务超时”“唇动模型返回空帧”），便于快速定位是网络、配额还是提示词问题。
隐私优先的本地化设计：全程不上传原始人物图、文案或音频至项目仓库；API 密钥、临时下载链接等敏感信息绝不写入日志；预检报告仅记录相对路径与文件名，杜绝开发者本地绝对路径泄露风险。

技术亮点

纯 Python + Shell 协同架构：核心逻辑用 Python（3.9+）编写，保障跨平台可读性与调试便利性；FFmpeg 调用、JSON 配置解析、日志切片等重IO操作交由 Bash + jq/awk 处理，兼顾性能与 Unix 哲学，避免过度封装导致的黑盒化。
Codex Skill 标准化协议深度集成：严格遵循 Codex 的 Skill 目录规范（SKILL.md 描述接口、agents/openai.yaml 定义能力契约），支持与任意兼容 Codex 的本地 Agent（如基于 Ollama 的轻量推理器）无缝协作，非必须依赖云端大模型。
模块化参考文档体系：三份 Markdown 文档并非说明文档，而是被 Codex 实时解析的“可执行策略”，例如 generation.md 中明确写入“若无声音样本，则从库存库匹配性别/年龄/语速相近的 TTS 模型”，使规则具备机器可读性与可测试性。
发布级音视频工程标准：默认导出符合 YouTube/抖音推荐规格（1080×1920, 30fps），音频响度严格控制在 -16 LUFS（EBU R128 标准），支持自动静音段裁剪与电平归一化，告别“声音忽大忽小”的业余感。
MIT 协议下的真开源实践：仓库不含任何闭源 SDK、混淆代码或隐藏后门；所有生成逻辑透明可见；贡献指南明确鼓励 PR 改进兼容性（如新增 Coqui TTS 支持）或增强 QA 检查项（如增加唇形同步 PSNR 自动评分）。

适合哪些人用

本项目专为重视可控性、可审计性与长期成本的中小团队及技术型创作者设计：

企业市场部同事：需批量制作产品功能短视频用于官网/公众号，但不愿将客户人物肖像上传至商业平台。案例：用销售总监授权照片 + 新品发布会讲稿，30 分钟内生成 5 条不同平台尺寸（横屏官网版 + 竖屏朋友圈版 + 方形小红书版）的合规视频，全程数据不出内网。
开源项目维护者：想为 GitHub 仓库制作“3 分钟上手教程”视频，但缺乏视频剪辑经验。案例：提供 README 摘要文本 + 个人头像，自动输出带代码关键词高亮、步骤引导字幕、结尾 GitHub 链接动效的讲解视频，无需安装 Premiere 或学习 AE。

快速上手

只需三步启动：

安装 Skill：
git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git ~/.codex/skills/lanshu-create-ai-presenter-video
初始化任务（替换为你的真实路径）：
python3 ~/.codex/skills/lanshu-create-ai-presenter-video/scripts/init_job.py --job-dir ~/Videos/my-video --presenter-image ~/Pictures/ceo.jpg --topic "全新AI客服系统上线" --duration 45 --aspect 9:16 --rights-confirmed --adult-presenter-confirmed
执行预检与生成：
打开生成的 ~/Videos/my-video/job.json，人工确认“远程上传许可”字段为 true 后，运行：
python3 ~/.codex/skills/lanshu-create-ai-presenter-video/scripts/preflight.py ~/Videos/my-video/job.json

后续流程全自动推进，结果存于 delivery/ 子目录。

同类对比 / 注意事项

不同于 Runway Gen-3、Synthesia 等闭源平台，本项目不提供开箱即用的 Web UI 或云端算力，需自行配置底层能力（如部署 Fish Speech TTS、使用本地版 SadTalker）。优势在于：① 成本透明（你只为实际调用的 API 付费，无订阅制）；② 可深度定制（修改 editing.md 即可调整开场动画逻辑）；③ 符合等保/GDPR 要求（原始数据自主掌控）。常见注意事项：首次运行需确保 ffmpeg 和 ffprobe 已加入 PATH；若使用国内云服务，需在 agents/ 下补充对应 YAML 配置文件；人物图建议采用纯色背景、正面半身、光照均匀的证件照风格，避免戴眼镜反光或侧脸导致唇形识别失效。