技能使用指南

AI主持人视频生成Skill怎么用？一张照片加脚本生成数字人口播视频

AI主持人视频生成Skill（lanshu-create-ai-presenter-video）把主题或脚本加一张授权主持人图片，转成可发布的数字人口播视频。内置八段式状态机、口型定点修复、双重QA与标准化交付，付费试点可控。本文详解安装步骤、使用流程、竞品对比与典型场景，帮你快速上手。

AI主持人视频生成Skilllanshu-create-ai-presenter-video
8 个章节 约 14 分钟阅读 AI 智能生成

AI主持人视频生成Skill：一张照片加一段脚本，产出可直接发布的主持人口播视频

  • 核心定位：把「主题或脚本 + 一张已授权的成年人主持人图片」转成完整、可发布的 AI 主持人口播视频，覆盖从内容锁定到最终交付的全流程。
  • 流程规范：内置 intake → content_locked → audio_locked → visual_plan_locked → presenter_generated → composition_checked → rendered → verified 八段式状态机，每一步都要有证据才能推进，避免「看起来做完了但没法播」。
  • 工程化交付：产出主视频、分享副本、字幕、制作记录，以及机器 QA 和视觉 QA 说明，而不是丢给你一个无法解码的 mp4。
  • 可移植性强：工作流与具体提供商、模型解耦，可跨提供商、模型、宽高比、语言和时长复用。
  • 风险可控：付费生成前先做低成本试点，明确上传资产、请求秒数、已知成本、重试上限，拒绝三次付费候选即停止。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

这个技能的中文名是「AI主持人视频生成Skill」，英文名是 lanshu-create-ai-presenter-video，技能 ID 是 2116522559074353154。

它解决的是一个很具体的痛点：过去做一条数字人口播视频，你要在脚本、配音、形象、字幕、剪辑、导出、质检之间来回切换四五个工具，任何一环出错都要从头再跑一遍。而这个技能把整条链路收进一个可恢复的状态机里——脚本没锁就不生成口播，口播没锁就不做字幕时间轴，视频没通过正常速度的视觉审查就不算完成。

从技能详情看，它运行在 Codex 技能体系中，技能目录约定为：

~/.codex/skills/lanshu-create-ai-presenter-video

安装与启用的通用思路如下（具体安装命令与分发入口以官方说明为准）：

  1. 确认前置条件：本机具备 Python 3 运行环境；准备一张包含清晰成年人主持人的已授权图片；如果要用真人音色，需准备已授权的声音样本。
  2. 将技能安装到技能目录：使 ~/.codex/skills/lanshu-create-ai-presenter-video 下出现 scripts/、references/ 等目录结构。安装的具体命令、来源地址请以官方说明为准。
  3. 验证是否生效：检查 scripts/init_job.py、scripts/preflight.py、scripts/finalize_delivery.sh 三个脚本是否存在；在终端执行一次初始化脚本的参数查看（例如加 --help），能正常输出说明即视为环境就绪。
  4. 跑一次最小任务：用一条主题跑通「初始化 → 预检 → 生成 → 交付」的完整链路，确认目录产物齐全，再投入正式项目。

该技能的主要功能和特点

  • 主题直出脚本：给一个主题（例如「用一分钟讲清楚上下文工程」），技能会把它转成一条口语化内容主线；也可以直接传入已有脚本文件（--script），只做润色而不静默改变事实含义。
  • 音频优先的时间轴：先锁定完整旁白，再确定字幕时间和场景边界。旁白是主持人动作、字幕、图形、剪辑和交付时长的主时钟，这从根上避免了「画面和嘴型越剪越歪」。
  • 多形态主持人路线：支持主持人主导、屏幕演示、混合讲解三条路线；仅在支持媒体能证明或澄清某个口头要点时才插入素材，不堆无意义画面。
  • 口型同步可定点修复：当身体动作被接受但口型时间失败时，保留动作底板，用锁定音频单独做口型同步修复，不必整条重跑。
  • 付费生成的成本护栏：远程生成被视为可能计费，首次付费调用前必须说明上传资产、请求秒数或单位、已知成本、试点规模、重试上限和预期输出；完全相同的计划可复用既有批准。
  • 双重质检：技术故障用数值检查，身份、口型时间、眨眼、手势、手部、光照和连续性用正常速度人眼审查，二者缺一不可。
  • 标准化交付管线：finalize_delivery.sh 保留输入宽高比、执行两遍节目响度归一化、生成主编码与分享编码、完整解码校验、写入探测信息与交付报告，并输出九帧联系表供最后确认。
  • 合理的默认值：未指定时默认 9:16、1080×1920、30fps；主题类内容时长目标 45–75 秒；从请求推断语言；无授权声音样本时使用合适的库存声音；除非被要求，否则省略背景音乐和促销 CTA。

和普通「数字人工具」相比，它强在流程约束而不是单点效果：它强制你在正确的顺序上做正确的事，并留下可复查的证据链。

如何使用该技能？

第 1 步：初始化任务

SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-video

python3 "$SKILL_DIR/scripts/init_job.py" \
  --job-dir ~/Videos/my-presenter-video \
  --presenter-image ~/Pictures/presenter.png \
  --topic "用一分钟讲清楚上下文工程"

已有脚本时改用 --script；可选参数包括 --voice-sample、--supporting-media、--duration、--aspect、--width、--height、--fps、--watermark、--cta。

第 2 步：人工审查与预检

检查实际源图片，试听声音样本，把审查与批准结论写进 job.json，然后执行：

python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

第 3 步：锁定内容与音频

把主题转成口语化主线或润色脚本，保存制作脚本、节拍表、发音与旁白分段；用一个声音配置生成完整旁白；对分段统一响度归一化，对最终音频跑 ASR，纠正重大遗漏、添加、数字、名称或重复语音；记录真实时长。

第 4 步：规划并生成主持人

选择主持人主导、屏幕演示或混合讲解路线，先跑一个短时、低成本试点。主轨道优先保证身份与口型时间，有动作的开场或结尾使用一个受控手势。归档提示词、参数、提供商/模型/版本、区域、任务 ID、请求秒数与验收备注。

第 5 步：按锁定音频剪辑

阅读 references/editing.md，构建由锁定音频驱动的确定性时间线，保持作者设定的开始、时长、源偏移相互独立；音视频与素材最终确定后再加字幕和关键词标注。使用 HyperFrames 时先加载对应说明、跑项目检查、打开 Studio 预览，等待视觉批准后再渲染。

第 6 步：验证并交付

bash "$SKILL_DIR/scripts/finalize_delivery.sh" \
  ~/Videos/my-presenter-video/renders/rendered.mp4 \
  ~/Videos/my-presenter-video/outputs \
  my-video

最后检查九帧联系表，再对外交接。

中断恢复：对已有任务，读取 job.json、当前产物、任务 ID 与 QA 报告，从最早未完成状态恢复；对被中断的工作先轮询，再考虑重新提交，绝不重建已被接受的工作。

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
AI主持人视频生成Skill（本技能） 面向开发者的可编排口播视频生产管线 主题/脚本入、状态机推进、口型修复、双重 QA、标准化交付 需本地 Python 环境与技能目录部署，需授权图片与声音样本 批量内容生产、需要可复现与可审计的团队流程 优势是流程可控、产物齐全、成本护栏明确；不足是需命令行操作，学习曲线偏陡
HeyGen 类在线数字人平台 开箱即用的网页端数字人视频 预置数字人形象、模板化配音与字幕 浏览器注册即用，门槛最低 单条营销视频、快速试水 上手快、效果稳定；但流程黑盒、批量与定制编排能力弱，素材与成本的细粒度控制有限
Synthesia 类企业培训视频平台 企业级培训与讲解视频 多语言配音、模板与企业协作 账号订阅制，团队协作需配置 内部培训、合规宣讲 企业协作与多语言强；个性化剪辑与口型定点修复灵活度一般
D-ID 类图生视频 API 单张照片驱动说话头 图片转说话视频的 API 能力 需自行接 API 与后处理 嵌入自有产品的轻量播报 集成灵活、链路短；但脚本、字幕、时间轴、交付质检都要自己补
剪映/智影类剪辑工具的数字人功能 剪辑软件内置数字人 数字人播报 + 时间线剪辑 客户端安装，图形界面 短视频创作者日常产出 剪辑体验好；口型精度与批量自动化、可审计性相对有限

选型建议：追求开箱即用选在线平台；追求嵌入自有系统选图生视频 API；追求流程可控、可复现、可审计的持续生产，本技能的工程化路线更合适。

该技能的典型应用场景与实际体验情况

场景一：知识科普与教程类创作者 角色是个人知识博主，痛点是「一篇稿子要配画面、配音、字幕，一条视频耗掉半天」。使用方式是先把口播稿写成脚本文件，用 --script 传入，指定 9:16 竖屏，跑通试点后批量产出。实际体验上，脚本锁定后再做时间轴，字幕和嘴型对不齐的情况明显减少；注意点是源图片要清晰、光线均匀，否则身份一致性会打折扣。

场景二：企业培训与合规宣讲 角色是内部培训负责人，痛点是「同一门课要反复录制、版本管理混乱」。使用方式是用固定主持人图片与授权声音样本建立统一形象，按节拍表拆分旁白分段。实际体验是产物目录结构清晰（脚本、时间轴、分镜、QA 报告各归其位），便于交接与版本追溯；注意点在于声音克隆必须先取得授权，否则不要用图片去反推音色。

场景三：产品功能演示与混合讲解 角色是产品市场同学，痛点是「纯口播太单调，插屏幕录制又容易打断节奏」。使用方式是通过 --supporting-media 传入演示素材，走混合讲解路线。实际体验是技能只允许在素材能证明口头要点时才插入，成片不易变成素材堆砌；注意点是素材务必与旁白锁定时长对齐预排。

场景四：已有视频的口型修复与续做 角色是后期同学，痛点是「动作好看但嘴型飘了，只能整条重做」。使用方式是读取 job.json 与 QA 报告，从最早未完成状态恢复，保留动作底板，用锁定音频单独跑口型同步修复。实际体验是省掉了大部分重算成本；注意点是先轮询被中断的任务再决定是否重新提交。

总体上手难度：中等偏上，需要熟悉命令行与任务目录；效果层面，只要严格执行「先锁音频再定画面」，稳定性明显优于常见的边生成边调的顺序。

该技能能为用户带来的价值

  • 效率提升：把脚本、配音、形象、字幕、剪辑、质检、导出整合为一条可恢复的流水线，中断后从最早未完成状态续做，而不是从头重来；口型失败可定点修复，避免整条重算。
  • 成本可控：付费生成前强制说明资产、秒数、成本与重试上限，试点先行、同一计划复用批准、三次拒绝即停，把「试错烧钱」变成可预算的投入。
  • 质量下限被抬高：数值检查 + 正常速度视觉审查的双重机制，加上完整解码校验与九帧联系表确认，让「交付即翻车」的概率大幅下降。
  • 降低门槛：最小输入只需一张授权图片与一句主题，默认行为（9:16 竖屏、30fps、45–75 秒、库存声音、主持人主导布局）让新手也能得到可发布成片。
  • 长期价值：所有提示词、参数、提供商/模型/版本、任务 ID 与验收备注均被归档，形成可复用的生产资产，团队换人不断档，也便于横向切换更合适的模型与服务商。

常见问题 FAQ

Q1：怎么安装这个技能？需要准备什么？ A：将技能部署到 ~/.codex/skills/lanshu-create-ai-presenter-video，确保 scripts/ 与 references/ 目录齐全；本机需 Python 3。具体安装命令与分发地址以官方说明为准。首次使用请准备好已授权的成年人主持人图片，如需真人音色再准备授权声音样本。

Q2：这个技能收费吗？会隐藏扣费吗？ A：技能本身的价格信息详情中未提供，以官方说明为准。需要注意的是，它调用的远程生成服务可能产生计费，因此技能要求首次付费调用前明确上传资产、请求秒数、已知成本、试点规模与重试上限，相同计划可复用已有批准。

Q3：适合谁用？完全不懂剪辑能用吗？ A：适合内容创作者、企业培训团队、产品市场以及需要批量产出与流程审计的开发者。不懂剪辑也能用，但需要接受命令行操作与目录约定；建议先用一条 45–75 秒的主题视频跑通全流程，再规模化。

Q4：为什么一定要先锁定旁白，不能先生成画面？ A：因为最终旁白是主持人动作、字幕、图形、剪辑和交付时长的主时钟。先定画面再配音频，会导致口型时间、字幕区间和场景边界反复返工；先锁音频则整条时间轴都是确定性的。

Q5：生成效果不满意怎么办？ A：先用短时、低成本试点验证身份与口型时间，再跑完整版本；若身体动作可接受而口型失败，保留动作底板做定点口型修复。技能规定在三个被拒绝的付费候选之后停止，或在将显著影响成本、隐私、声音、外观、提供商的变更前暂停确认，避免无限试错。