这套打磨数周、花费数千美金的数字人广告工作流，免费开源
这条 27 秒的直播间广告里，主播不存在。脸、声音、直播间、花字、价格动画，全是 AI 做的。
我只说了一句话：「用这个数字人做一条 30 秒直播间广告，卖 WorkBuddy 上手课，10 节课 99 元，原价 999。」剩下的，交给一套 Skill。
这是第三版工作流，前两版踩过的坑，全写进去了。项目地址：github.com/andyhuo520/digital-human-koubo
整个流程被拆成了 9 个步骤：环境检查、形象生成、风格选择、脚本分段、报价生成、双重质检、包装设计、景深字叠加、过渡帧检查。下面每一步对应一个可直接执行的环节。
第一步：环境检查与工具连接
Skill 做的第一件事，是查 Renoise 连没连上。Renoise MCP（Model Context Protocol，模型上下文协议）是这套工作流的核心接口。
- 连上了：它只说一句「余额 X 积分」，直接开工。
- 没连上：它按你正在用的工具给出安装方法。其他 Agent（比如 WorkBuddy）也可以直接把 MCP 地址丢给它，让 Agent 帮你安装。
各客户端的配置方式：
Claude 桌面端：设置 → 连接器 → Add custom connector，地址填项目文档里提供的 MCP 地址。
Claude Code：依次粘贴这两行命令（见项目文档）。
Codex：按项目文档里对应的步骤配置。
本机剪辑还需要 ffmpeg、Python、Node、whisper（OpenAI 的语音转写工具）这四个工具。运行一次 doctor.sh：已装好的打勾跳过，缺的按 macOS / Windows / Linux 分别给出安装方法。
环境检查是后面所有自动化的地基，连不上 Renoise，Skill 无法调用生成和转写能力。
第二步：一张照片，进入任何场景
数字人的脸固定在一张参考照里。要进直播间，就让 GPT Image（OpenAI 的图像生成模型）把人和场景合成一张开场画面：2k，23 积分。
这次多加了一句：中景，头顶留白，两侧留出背景。后面要把价格放到她身后，这一步就得提前留好位置。
这一步决定了整条视频的构图，尤其是给后续的包装动画留出可叠加区域。
第三步：先选风格，再写稿
同一段内容，做成财经解说和做成直播带货，稿子、节奏、成本全都不一样。所以 Skill 先诊断内容，再推荐风格：
- A 小林式解说：事件、数据、「为什么」
- B 网红花字口播：安利、带货、种草
- C 发布解读：新品、新模型
- D 保姆级教程：几步做出 XX
- E 多主播多语言：能力展示、出海
然后一次问完：风格、比例时长、花字强度、主播。回一句「你定」，就按推荐走。
这条广告的选择：B（网红花字口播），9:16，30 秒以内，花字用「热闹」档。
第四步：稿子切成 15 秒以内的片段
Grok 单段最长 15 秒，中文实测约 5.4 字/秒。所以脚本必须按这个上限拆段。
这条广告一共 5 段：
- 钩子：家人们！一节课不到十块钱，教你让 AI 帮你干活！
- 产品：这是 WorkBuddy 上手课，零基础也能学，十节课带你从零上手。
- 卖点：写方案、做表格、整理会议纪要，一句话交给 AI 就搞定。
- 价格：原价九百九十九，今天直播间下单，只要九十九！
- 号召：点下方小黄车，现在下单就是九十九！
注意：优惠只写原稿里明确给出的两个数，没给的赠品、限时、限量，一个都不编。
第五步：先报价，先拍第 1 段
生成之前，它先报价：5 段、27 秒、459 积分，加场景图 23，合计 482。确认之后才开始。
而且只先拍第 1 段——脸、声音、口型都确认没问题了，再批量生成剩下 4 段。这一步是低成本验证，避免整批生成后才发现形象或口型有问题。
第六步：回听 + 抽帧，两道质检
第一道：whisper 逐段转写，和稿子比对。这次有两段准确率只有 63% 和 80%。我去听了，没念错，是识别器把「九百九十九」写成了「999」。
第二道：每段抽 4 帧看一眼。这一步是被坑出来的——Grok 偶尔会自己往画面里烧字幕，提示词写了 no subtitles 也挡不住。遇到这种情况就重拍那一段。这次 5 段都是干净的。
两道质检共同保证了画面和声音都符合稿子，尤其是自动烧字幕的问题，肉眼不抽帧很难发现。
第七步：包装，从 25 支头部博主视频里拆出来的组件
这一版最大的升级在这里。我拆了 25 支视频：MrBeast、Mark Rober、MKBHD、影视飓风、何同学、Johnny Harris、Vox、Kurzgesagt、半佛、差评、毕导……逐帧量了节奏。
结论只有一句：切数可以低，刺激不能断。前 30 秒，每 3–5 秒要有一个新东西出现。
我把拆出来的手法，做成了 48 个组件：数字钉子、证据截图、地图航线、弹幕、投票、复盘板、玻璃数据面板……每种风格自带一套默认包装，想加减可以直接说：「开场加个预告」「这里加几条弹幕」。
这条广告每段用了什么：
- 钩子：「¥9.9/节」数字钉子 + 弹幕替观众质疑
- 产品：WorkBuddy 图标 + 关键词三连
- 卖点：主播缩成小窗，3 张课程实录截图跟着口播切
- 价格：¥999 滚到 ¥99，数字在她身后
- 号召：手绘箭头指向小黄车
第八步：景深字，让数字站到人身后
价格那一段，用的是这次新加的效果。做法是三层：原视频在最底下，大字在中间，抠出来的人在最上面。
抠像用 macOS 自带的 Vision 框架（苹果的人像分割能力），逐帧出遮罩，再合成带透明通道的视频。只抠用到的那 5 秒，24 秒跑完。
有一个坑：这个效果不适合自拍特写。特写里人占了画面的 89%，字全被挡住；中景只占 57%，字才露得出来。所以 Skill 现在会提醒：人像超过 60%，换中景，或换别的组件。
第九步：出片前，看过渡帧
最后一道检查，看的是过渡中间那几帧。这次就抓到一个问题：价格最后停在了 ¥100，不是 ¥99。
原因是缓动曲线只走到 99.9，四舍五入多了 1。现在动画一结束，会强制落在精确值上。
成片规格：1080×1920，26.8 秒，响度 -14 LUFS（Loudness Units Full Scale，全尺度响度单位，对齐流媒体平台标准）。
成本：这条广告花了多少
- 直播间场景图：23 积分
- 5 段口播（720p，共 27 秒）：459 积分
- 声音统一、抠像、剪辑：0（全在本机跑）
- 合计：482 积分
以前做一条直播带货广告，要主播、要灯、要场地、要剪辑师。现在要的是一张照片，和一套记得住所有坑的流程。