原来的样子
公司靠短视频获客，口播是主力。拍一条要本人出镜、架机位；配音要约人；剪辑师要一句一句找素材、配字幕。之前按量买过数字人服务，成本不低。想多出几条、多发几个号，人手跟不上。
做了什么
把一条口播拆成五步。机器做重复的部分，人只在两处把关：审稿，和看一遍成片缩略图。
- 稿子：AI 逐篇校对，改错字和语病；数字写成中文，英文缩写的字母之间加空格，不然配音会念错。
- 配音：用出镜人本人的克隆音色，语速调到 1.15 倍。
- 出镜：出镜人提供 7 张竖版照片，数字人模型生成会说话的视频。7 张轮换着用，20 条放在一起不会像复制粘贴。数字人跑在租来的显卡上，不再按条付费。
- 剪辑：先把这个账号过去 20 条视频的剪法拆成一份「风格说明书」，后来又补上长视频的剪法，现在有 53 种版式组件、16 类音效。再让 AI 读懂每句话在说什么（设问、对比、列举、金额、结论等 20 多类），按意思配画面、大字和音效。字幕从配音里识别出来，再和定稿逐字比对。只加画面，不改原话。
- 质检：每条自动打 0—100 分，查挡脸、素材重复、节奏空档，有硬错误不放行；整批再比一次，相邻两条不能用同一种开场。最后人看一遍成片缩略图。
结果
一条 107 秒的演示样片：
| 环节 | 机器用时 | 结果 |
|---|---|---|
| 稿子和字幕 | — | 两遍校对共改 20 处：稿子 7 处，字幕 13 处 |
| 数字人 | 约 25 分钟 | 切成 10 段生成，再拼成一条 |
| 剪辑 | 约 35 分钟 | 38 个镜头、24 个花字卡片、56 条字幕；AI 在初稿上改了 16 处 |
| 渲染 | 约 21 分钟 | 540p 预览版，质检 93 分 |
机器全程约 1.5 小时，人只做两件事：审稿、看一遍成片缩略图。
10 月 18 日的批次：
- 20 篇稿子，共 20,312 字，配音合计 55.6 分钟。
- 晚上 8 点左右提交，第二天早上 9 点前，20 条数字人视频全部生成。
- 20 条全部 0 个硬错误，质检 85.5—100 分，平均 93.5 分。
踩过的坑
- 同音错字会进字幕。字幕是从配音里识别出来的，识别会出同音错字，比如把「最结实」识别成「最揭示」。所以出字幕前要和定稿逐字比对，样片这一步改了 13 处。
- 原稿也有坑。原稿里有一次失败的批量替换，把正常的词也换坏了，20 篇里一共 55 处，只能按上下文一条条改回。
- 英文缩写要教它念。字母之间不加空格，配音模型会念成别的音。对比了几个配音模型，把读音规则固定了下来。
- 分数高不等于好看。分数只说明守了规矩，所以每条都要人看一遍。自动找素材也会跑题，曾经四句不同的话被配上同一段素材，现在每段素材都要人核对。
- 批量容易雷同。前三条用了同一个开场模板，于是加了整批比对：8 种开场分给 20 条，相邻两条不撞，前 4 条返工。
做到哪一步
- 20 条都已出 540p 预览版；1080p 终版还没渲染，估计纯渲染要 12 小时左右。
- 还没发布，涨粉和获客效果暂时没有数字。
- 口型自不自然、声音像不像，要人来判断，机器打不了分。
- 出镜人已经同意使用自己的形象和声音。给别的公司做时，出镜人和配音人的授权要书面留档。
用了多久、怎么交付的
- 周期：约 5 周。9 月中旬开始，10 月 20 日交付这一批的预览版。
- 交付方式：现场交付，FDE 陪着团队一起跑，平时远程支持。
用到的工具
AI 校对（DeepSeek、Claude）、语音合成和数字人模型（MiniMax）、租用的云端显卡、语音识别、视频自动渲染。
数据来自 10 月 18 日批次的生产和质检记录，以及演示样片的全部产物。