digital-human-api v3

基于青云API的通用数字人口播视频生成 Skill。

v3核心改进：每shot生成专属场景图（Daniel真脸 + 个性化场景），视频自然不抽象。

触发条件

• 数字人视频、口播视频、digital human
• 基于剧本生成分镜头数字人视频

v3 新流程（4步/shot）

剧本JSON → [Scene Image] → [TTS] → [Kling Video] → [Lip Sync] → FFmpeg合并
              ↑ 新增：每个shot独立生成贴合场景的图片

每shot独立流程：

1. 🖼️ 场景图生成 — Grok依据参考脸生成贴合场景的图片（保持Daniel的脸）
2. 📝 TTS语音 — Gemini生成口播音频
3. 🎬 Kling视频 — 场景图 + 动作提示词 → 动态视频
4. 👄 对口型 — Kling LipSync音画同步
5. 🔗 FFmpeg合并 — 所有shot + BGM → 最终视频

v3 剧本格式

{
  "title": "视频标题",
  "avatar_image": "/path/to/daniel-headshot.jpg",
  "shots": [
    {
      "id": 1,
      "text": "口播文案",
      "emotion": "sarcastic",
      "scene_description": "（可选）场景图详细描述",
      "duration": 5
    }
  ]
}

emotion 可选值

scene_description 写法

描述越具体，场景图越贴合。建议格式：

• 人物表情+动作（如：raised eyebrow, holding coffee cup）
• 场景（如：modern cafe, restaurant table）
• 光线（如：warm natural lighting）
• 风格（如：realistic photo, shot on iPhone）

使用方式

export QINGYUN_API_KEY=$(pass show api/qingyun)

# 完整流水线
python3 scripts/generate.py --script script.json --concurrent 1

# 分步执行
python3 scripts/generate.py --script script.json --step image    # 场景图
python3 scripts/generate.py --script script.json --step tts      # TTS语音
python3 scripts/generate.py --script script.json --step video     # Kling视频
python3 scripts/generate.py --script script.json --step lipsync  # 对口型
python3 scripts/generate.py --script script.json --step merge    # 合并

输出结构

output_dir/
├── shot_01_scene.jpg          # 场景原图
├── shot_01_scene_768.jpg      # 适配Kling的尺寸
├── shot_01_audio.mp3          # TTS语音
├── shot_01_video.mp4          # Kling视频
├── shot_01_lipsync.mp4        # 对口型完成
├── ...
└── final.mp4                  # 最终视频

已知限制

文件清单

digital-human-api/
├── SKILL.md              # 本文件
├── scripts/
│   ├── generate.py       # 主脚本 v3（~800行）
│   └── config.yaml       # 配置 v3