他花数千美金跑出的数字人教程，开源了

Berryxia 在 X 上发了一条推，数字人教程升级版来了。代码已经放到 GitHub 上，MIT 协议，开源免费。他说自己爆肝数周、烧了数千美金，图的是小白也能稳定产出。

这个项目叫 digital-human-koubo，核心能力：一张照片加一句话，自动生成一条完整的数字人口播视频。

这个工作流把脚本、唇形同步、配音、字幕、剪辑包装全包了。你的 Agent 会先诊断内容，从 5 种编辑风格里推荐 2 种，问一轮问题，然后写脚本、拆分段、报价、生成、质检、统一音色，最后用 Remotion 渲染出片。

整个生成流程通过 Renoise MCP 完成，这是 Agent 和视频生成模型之间的接口，调用的是 Grok Video 1.5。每段视频不超过 15 秒，生成前先报价，确认后才批量跑。生成完用 whisper 逐段回检，和脚本比对，还会抽帧检查。Grok 偶尔会把字幕烧进画面里，这种片段会被重拍。

成本方面作者给了实测数据。一条 27 秒的带货直播广告，1 张场景图加 5 个 Grok 片段，总成本 482 credits。一条 4 分 36 秒的教程视频，32 个片段，约 3250 credits。按 Grok Video 1.5 目前 720p 每秒 17 credits 算，一分钟口播大概 1000 credits 出头。credits 是 Renoise 平台的算力额度。

这个项目最花心思的部分是包装。作者逐帧分析了 25 个头部创作者视频，包括 MrBeast、MKBHD、影视飓风、何同学、Johnny Harris、半佛仙人，拆出 48 个可复用的包装组件，分四组：开场钩子、数据呈现、标注、节奏互动。比如 TextBehind 能把大数字放在人物和背景之间，用 macOS Vision 做人像分割，三层合成。组件以 JSON 的 pack 列表调用，自动适配 9:16 竖屏。

5 种编辑风格覆盖不同场景：

• A：财经/科技解说，适合“为什么”类内容
• B：网红口播，竖屏，带货、种草、观点
• C：新品拆解，30-90 秒
• D：步骤教程，3-8 分钟
• E：多主持人、多语言、多场景

多语言测了六种：英、日、韩、法、西、阿，whisper 回检准确率 94-100%。场景方面，先用 GPT Image 把数字人合成到任意背景里，带货直播间、办公室、教室、京都街道，再让数字人开口说话。演示视频里那个男数字人是作者本人的数字分身，用自己照片做的。

这套工作流以一个 Agent Skill 的形式发布，本质上是一组指令加脚本，装进 Agent 里，Agent 就学会了整套流程。安装不复杂：clone 仓库，把两个 skill 文件夹放进 Agent 的 skills 目录，连上 Renoise MCP。Claude Code 实测可用，Codex 理论上同脚本可用。WorkBuddy、豆包、千问办公、纳米Work 也支持，但取决于产品是否完整支持三项能力：加载 Skills、连接远程 MCP、运行本地命令。如果 Agent 只能在云端沙箱里跑，生成片段没问题，本地剪辑那步需要配合 Claude Code 或者手动跑命令。

有网友测完反馈音色情感还是偏机器人。作者在文档里也承认了。想用自己的声音，可以接小米 MiMo TTS 做克隆音色。但 Grok 是根据原生声音生成唇形的，换声音会有约 100ms 的唇形偏移，半身镜头里不明显，特写能看出来。想完美唇形同步，得用 OmniHuman 这类音频驱动模型。

作者没有吹零门槛。他给了一个判断：数字人方案里，效率和质量的矛盾一直存在，开源的意义在于把选择权交还给用户。你可以用自己的 Agent、自己的账号、自己的 credits，跑出一条自己的流水线。

仓库地址：github.com/andyhuo520/digital-human-koubo
Renoise MCP 安装：renoise.ai/mcp