frankhzh-source/digital-human-video-pipeline

数字人视频制作管线（本机已全链验证 ✅）

2026-09-21/22 实测打通：74.8s 口播 → 15.6s 测试片（A7 形象 + MiniMax 克隆配音 + HyperFrames 包装）全流程 0 失败。 所有脚本在 D:\workbuddy\Claw\Claw，用 D:/Anaconda3/envs/ai/python.exe -X utf8 运行（faster_whisper 在这个环境）。 2026-09-29 增补：[0] 文案一致性闸门——口号/收口句类内容两次被自拟改写（详见闸门章节），现为一票否决前置步骤。

流程总览（闸门 + 六步）

[0] 文案闸门(强制) → [1] 母版音频 → [2] ASR转写+切段表 → [3] MiniMax克隆配音(B2配方)
    → [4] HeyGen photo avatar + lipsync → [5] HyperFrames 透明叠加层(ProRes4444)
    → [6] ffmpeg 合成(字幕/音效/BGM/响度) → 成片 + 封面

[0] 文案一致性闸门（强制，一票否决，先于一切生成动作）

背景：口号/SLOGAN/收口句两次被自拟改写（2026-09-28 开场四连问被换方向+丢口号，返工 24 积分；2026-09-29 结尾「占领源头」被换成「必修课」）。 教训：靠记忆/自觉不可靠——规则写在记忆里，违规发生在任务中段，那时规则早已不在上下文。 解法是把「自觉」换成「机制」：注册表 + 脚本硬校验 + 人工拍板闸门。

三条铁律：

1. 口号/SLOGAN/收口句/落款必须回源稿逐字核对——源稿=分段TTS脚本的 ANCHOR 段或成片字幕源，禁止自拟、禁止"口播化微调"；
2. 起草先引原文：任何新段落起草后，先把含口号的原文逐字贴给用户过目，确认后才允许进入生成；
3. 付费生成前必过闸门：TTS/HeyGen 等花积分的动作之前，口号校验必须 PASS。

操作（两件套）：

• 注册表：文案规范_定稿.json（唯一权威源，新增定稿句须用户拍板后登记）；
• 校验：D:/Anaconda3/envs/ai/python.exe -X utf8 工具_口号校验.py <目标文件...>
  • 支持 .md/.txt/.json（直读）、.ass（剥标签取字幕文字）、.py（提取字符串字面量，覆盖 TTS 文案常量）；
  • 自动归一化标点/空白后做子串匹配；closed_targets 封版目标只提示不拦截；
  • exit 0=PASS 可继续；exit 1=FAIL 禁止进入付费生成；--self-test 自检。
• 详细机制说明：references/copy-slogan-gate.md（发布版）。

闸门嵌入点（每期实操时逐一执行）：

时点	动作
起草后、TTS 前	工具_口号校验.py 工具_第XX期TTS.py → 必须 PASS
HeyGen 提交前	再次校验（防止中途改稿引入漂移）
终装后、发布前	工具_口号校验.py <sub.ass> <发布文案.md> → PASS 才允许发飞书/发布
失败处理	回源稿逐字回填；确属新定稿句 → 用户拍板 → 更新注册表 → 复跑 PASS

[1] 母版要求

• 句末完整收尾（勿用截断版）；响度 -16 LUFS 口径；30–90s 干净录音可兼做克隆注册素材。
• 注册克隆用 音频_口播原声_092211_句末收尾_69秒.m4a（勿用 74.8s 半句版）。

[2] ASR 转写 + 切段表

D:/Anaconda3/envs/ai/python.exe -X utf8 工具_播客ASR转写.py <音频> --md 转写_xxx.md

• 输出词级时间戳（.asr_cache/*.json 有缓存，重跑秒回）；依据转写切 5 段左右，标记 S1–S5 与信息点；
• 测试段选 18–30s：含中英混读、停顿的段落最有代表性。

[3] MiniMax 声音克隆 + 配音

工具：工具_MiniMax声音克隆_通用.py（密钥 .secrets/minimax.key + minimax_group.txt，国内站直连不需代理）。

• --check 免费 → --clone --yes 克隆（voice_id 规则：≥8位字母数字、字母开头，用 haifengv1）→ --t2a 配音；
• 配音配方定版「B2」：speech-2.8-hd + speed:0.95，不加情绪标签（用户验收：音色可以，B2 语气可接受）；
• 语气僵的调法优先级：改文案口语化 > speed 0.95 > emotion=happy > 更长素材重克隆；
• 成本参考：HD 3.5 元/万字符，一句话 <1 分钱。

[4] HeyGen 数字人

前置：代理必须开（127.0.0.1:7890 监听检查 + mcp.heygen.com 连通测试）。

• 工具：工具_播客测试片A7_准备_2026-09-21.py（免费：额度/schema/形象核对/传音频）→ 工具_播客测试片A7_提交_2026-09-21.py（--yes 闸门）；
• 形象 A7 + avatar_v 引擎；2 分钟级出片，下载后 probe 验收；
• ⚠️ 真实单价 ~0.85 积分/秒（15.7s 片实测 13 积分，559→546）。全长片提交前先拿 30s 中段核一次计价。

[5] HyperFrames 透明叠加层（卡片/图表动效）

工程：_cards_hf/compositions/v2_testcard.html（换文案只动文字+时间戳）。

• 驱动模式：gsap.timeline({paused:true}) 注册到 window.__timelines["main-video"] + 元素 data-start/data-duration；
• 渲染（约 4.5–5 分钟机时，overlay_v2.mov 172MB 保留至定版，别中途删——删一次重渲 5 分钟）：

export PATH="/d/ffmpeg:/c/Users/admin/.workbuddy/binaries/PortableGit/versions/1.2.0/usr/bin:$PATH"
cd _cards_hf && npx hyperframes render -c compositions/v2_testcard.html -f 25 --format mov \
  -o "../_v2/overlay_v2.mov"

• ⚠️ 四个必踩坑（全部实测踩平）：
  1. 根元素必须 data-composition-id="..."，否则 HF_DE_COMPOSITION_ROOT_MISSING；
  2. 画幅用 data-width/data-height（data-composition-width 不被读取 → 输出竖屏 1080×1920）；
  3. 渲染机 PATH 里 ffmpeg 和 ffprobe 都要有（D:\ffmpeg 曾缺 ffprobe → npm i ffprobe-static --registry=https://registry.npmmirror.com 一分钟解决；别从 gyan.dev 下 114MB 包，国内 ~20KB/s 且断流）；
  4. 渲染输出 1920×1080，合成时 scale 到 1072 对齐成片。

[6] ffmpeg 合成交付

工具：工具_测试片v2合成_2026-09-22.py（每期复制一份，只改顶部 SRC/OV/字幕/点位常量）。

• 链路：zoompan punch-in（8.45/13.25s 各 5%）→ overlay ProRes4444 → ASS 字幕（ass= 路径必须正斜杠相对路径，反斜杠会被转义吞） → 音效三件套（adelay 对位）→ BGM 床（sidechaincompress 人声闪避）→ loudnorm -14 LUFS；
• 字幕：词级时间戳断句，高亮词 {\c&H6ABEE9&}词{\r}（BGR 金色）；封面取 13.8s 帧。

BGM / 音效范式（已成文：整理_知识类视频BGM与音效范式_2026-09-22.md）

知识口播 = BGM 范式 B「信息陪伴型」：BGM 是教室的灯光，不是舞台配乐。

1. 无旋律（pluck/拨弦，不"唱歌"）；2. C4+ 中高音区（低音区长音 legato = 氛围片 drone = 压抑感，v2.2 教训）；3. 跳音留白；4. BPM 88–104 贴语速；5. 频段避让人声 300Hz–3.4kHz；量级 -28~-32 LUFS 相对人声 + sidechain 闪避（threshold 0.028 / ratio 7 / attack 180ms / release 1000ms）。

• 两个预置在 make_bgm_pluck（默认）/ make_bgm_pad（A/B 备用），BGM_STYLE 一词切换；换风格只改和弦表。

音效三件套（配方固定，只换点位）：whoosh 转场（lowpass ≤2400）→ tick 反馈（1.2–1.6kHz，量最低）→ thump 强调（全片 ≤2 次感叹号）；音量配比 强调 0.24 : 转场 0.22 : 反馈 0.165；任意 2s 窗口 ≤1 个点位。

成本台账（实测口径）

项	成本
ASR / ffmpeg / HyperFrames / BGM 合成	0
MiniMax 克隆	9.9 元/音色（首合成才计费）；TTS ≈0.02 元/句
HeyGen 测试片	13 积分 / 15.7s；69s 全长估 ~59 积分，2:44 版估 ~140

验收清单（出片后逐项过）

0. 口号闸门：工具_口号校验.py <sub.ass> <发布文案.md> PASS（定稿句逐字在位，[0] 章节铁律）；
1. volumedetect：mean ≈ -17dB / max ≤ -2.5dB（无削波）；
2. 抽 3 帧（图表卡 / 关键词卡 / 结论卡时点）：人脸双手零遮挡（安全区：左卡 56–546px、右卡 1150–1860px、顶部标题 84px、底部字幕 200px）；
3. 听感三点：开头 3s 有动能、人声突出、结尾有停留感。

待办（定版前必办）

• 全长母版拍板：69s 句末版 or 2:44 全段重裁（74.8s 半句版禁用）；
• 全长片增量：A7 章节卡 ×5 段、S4 逐句上屏、BGM 扩成 4–8 小节循环 + 尾奏、3s 关注卡。