lilei0311/skill-digital-human-video

數位人類影片 · 智能體技能

目標

接收一個主題或準備好的文案，產出一條豎屏 AI 數位人口播影片：腳本 -> MiniMax TTS -> HeyGen 數位人口型 -> FFmpeg 加字幕、標題、AI 標識、可選畫中畫/BGM -> MP4 + 發布文案。第一次只建立個人數位人 Look ID 和複製聲線 Voice ID，以後重複調用，不重複創建。提供 15 秒有成本的 HeyGen 預覽；預設需要用戶看過預覽才生產完整版。經用戶明確選擇自動批准，才連跑兩段。

安裝和檢查

• Skill 放到 ~/.codex/skills/digital-human-video 或 ~/.claude/skills/digital-human-video，確保 SKILL.md 在資料夾根目錄。
• Python 3.10+、pip install -r requirements.txt、系統安裝 ffmpeg/ffprobe（含 libass 和 H.264 encoder），中文字型可用時效果最佳。
• 複製 .env.example 為 .env，透過本地安全方式設定 Key；不要求用戶把 Key、本人照片/聲音貼在聊天中。永遠不要把 .env 納入 Git。
• 先執行：python scripts/dhv.py doctor，再 python scripts/dhv.py run --topic '...' --out ./outputs/example --dry-run。

操作流程（按順序）

1. 確認許可和素材。 僅接受本人或擁有充分授權的真人人像/聲音，禁止未經同意複刻、冒充或誤導觀眾。對真人照片/影片及音訊分別核查授權；AI 合成影片保留明確標識。音樂、畫中畫素材必須有許可。
2. 一次性建檔。 人聲樣本 30-60 秒乾淨錄音最佳（MiniMax 官方接受 10 秒到 5 分鐘，≤20MB，mp3/m4a/wav）。影片/照片在 HeyGen v3 上傳建 Avatar；照片建議正面高清，影片訓練可能涉及獨立的真人 consent/verification，必須完成，且訓練非同步。用 avatars 查詢已訓練完成的 Look ID。提供 MINIMAX_VOICE_ID、HEYGEN_AVATAR_ID 給後續流水線。
3. 先寫口播稿。 用戶沒給正文則 LLM 自動寫 3 秒鉤子 → 2~3 個論點 → 總結，明確受眾、平台和預計秒數。不能捏造不可驗證數據。編排/剪輯創意可以由 Claude Opus 5.5 處理，也可由 Codex 處理；模型負責腳本和排程，實際媒體處理由 FFmpeg 執行。
4. 預覽。 run --mode preview：優先複用 state.json 和 script.txt；對前約 55 字（近似 15 秒）合成音訊、驅動數位人，產出 preview_final.mp4。不同語速時預覽秒數不保證嚴格為 15。
5. 導演/剪輯方案。 如當前 Agent 為 Claude Opus 5.5 或可以委派給 Opus，將 script.txt、主題、品牌和素材清單交給它，讓它輸出 edit-plan.json，嚴格符合 examples/edit-plan.json 的 JSON 鍵：headline、brand、key_points[{text,start,end}]、pip_start/end、subtitle_font_size、music_volume（0~0.3）。開始/結束時間必須在成片長度範圍內。--edit-plan 讓 FFmpeg 執行重點文字卡片動畫/畫中畫時間軸、字幕樣式和 BGM 音量；沒有 Opus 時由 Codex/當前 Agent 生成同樣 JSON。模型只負責決策，不假裝自行渲染影片。
6. 審查並執行。 用戶檢查口型、清晰度、版權、字幕、真實感。通過後 run --mode full --approve；已獲授權且明確選擇無人工審片時 run --mode full --auto-approve 自動生產兩段。不要未經授權直接發到社交平台。
7. 校驗交付。 檢查 full_final.mp4 時長、音畫、字幕、標題遮擋、音樂音量、AI 合成標識，並交付 publish.md。對外發布前要求檢查事實與平台 AIGC 規則。

CLI 使用（在 Skill 根目錄）

# 初始化：自己的肖像及音訊，已知合法授權才允許使用 consent flag
python scripts/dhv.py avatar --file ./myself.mp4 --kind digital_twin --name 'My Presenter' --i-own-the-likeness
python scripts/dhv.py avatars  # 訓練可能需要等待、補官方驗證
python scripts/dhv.py clone --file ./myvoice.wav --voice-id MyBrandVoice2026 --i-own-the-voice

# 預覽：預設由 MiniMax 文本模型寫稿；也可傳 --script-file bypass LLM
python scripts/dhv.py run --topic 'AI如何幫助企業減少重複流程' --out ./outputs/ai-workflow --mode preview --edit-plan ./examples/edit-plan.json

# 用戶審查通過後才跑全片
python scripts/dhv.py run --topic 'AI如何幫助企業減少重複流程' --out ./outputs/ai-workflow --mode full --approve

# 明確同意無人值守時，一條命令預覽 + 成片（API 影片調用按兩段分別計費）
python scripts/dhv.py run --topic '一分鐘講明白數位人' --out ./outputs/demo --mode full --auto-approve

# 可選素材
python scripts/dhv.py run --script-file ./script.txt --out ./outputs/manual --mode preview --music ./licensed-bgm.mp3 --broll ./owned-broll.mp4

Agent 的執行準則

• 不得將 --dry-run、單元測試通過描述為「HeyGen/MiniMax 真實跑通」。沒有有效付費 Key 和授權素材只能驗證離線渲染/請求格式。
• API 非同步調用超時，應展示 state.json 中的 video_id 並複用，不要直接重建引發二次計費。
• 語音複製需 MiniMax 實名認證，若 voice_id 7 天內未用於正式 TTS 可能失效；優先嘗試現有音色，不靜默重複製。
• 平台字幕檔案可能並非逐字精確；若未返回可用 SRT，工具會生成估時字幕並在 state.json 標註 approximate。交付前需複查，追求逐字精確建議額外接 ASR 對齊。
• 遇到影片大小/訓練政策/認證/額度限制，應報告具體錯誤，而不是聲稱已經全自動完成。
• 不會自動登入或向抖音、快手、影片號、小紅書、B站等直接發布，因為未接入各平台授權 API；只生成 publish.md 待審核發布。
• 避免把 API Key、錄製原件、相似音色和原始生成資產提交公開代碼庫。

參照

• API 介面與地區配置詳見 references/api.md。
• 交付與排錯詳見 README.md。