صايب فيديوهات ديال راس كيهضر بالذكاء الاصطناعي من تصويرة وحدة مع الإنسان الرقمي Koubo

شنو هو Digital Human Koubo؟

Digital Human Koubo هو Agent Skill مفتوح المصدر لإنتاج فيديوهات ديال راس كيهضر بالذكاء الاصطناعي. انطلاقاً من صورة مرجعية مسموح باستعمالها وطلب محتوى، يقدر وكيل الذكاء الاصطناعي يوجّد النص، وينتج مقاطع ديال المقدم متزامنة مع حركة الشفايف، ويفحص الجودة ديالها، ويوحّد الصوت، ويضيف الترجمة والتغليف البصري، ويصيّر ملف MP4 نهائي باستعمال Remotion.

إعدادات المقدم مخزنة فـ persona.json، وكتشمل الصورة المرجعية ديال الوجه، واللباس، ووصف الصوت، وقالب التعليمات. هاد الشي كيخلي من الممكن تعاود تستعمل نفس الشخص الرقمي فاستوديوهات البث المباشر، والأقسام الدراسية، والحوانت، والزنقة، ومشاهد مولّدة أخرى.

استعمل غير وجهك وصوتك، أو مواد عندك الإذن الصريح باش تستعملها. ما تنتحلش شخصية أشخاص حقيقيين ولا صناع محتوى، ووضّح فالفيديوهات المكتملة أنها عروض ديال إنسان رقمي بالذكاء الاصطناعي.

المميزات الرئيسية

• إنسان رقمي قابل لإعادة الاستعمال: صايب مقدم ثابت انطلاقاً من صورة مرجعية وحدة وإعدادات شخصية مخزنة.
• توليد متزامن مع حركة الشفايف: قسّم النصوص لمقاطع ما كتفوتش 15 ثانية وولّدها باستعمال Grok Video 1.5 عبر Renoise MCP.
• صرف مبني على الموافقة: الوكيل كيبيّن عدد المقاطع، والمدة، وتقدير الرصيد المطلوب، ورصيد الحساب قبل التوليد. كيتسنى الموافقة وكيولّد المقطع الأول للمراجعة قبل ما يكمّل باقي المقاطع دفعة وحدة.
• مراقبة آلية للجودة: الكلام المولّد كيتفرّغ باستعمال whisper وكيتم تقارنو مع النص. كما كيتفحصو أربعة إطارات من كل مقطع باش يتكشفو مشاكل بحال الترجمة المحروقة داخل الفيديو.
• اتساق الصوت: المطابقة الطيفية، وإزالة الصفير، والصدى المشترك ديال الغرفة، وتوحيد علو الصوت كيخليو المقاطع المولّدة بشكل منفصل يبان صوتها بحال إلا تسجلات فجلسة وحدة.
• خمسة أساليب للمونتاج: الوكيل كينصح بالأساليب حسب الموضوع، والصيغة، والمدة، والجمهور المستهدف.
• عدة التغليف: ثمانية وأربعون مكوّناً كيوفرو الخطافات، وبطاقات الأدلة، والعدادات، والخرائط، وبطاقات الفصول، والترجمة المتحركة، والتقريب داخل الصورة، وأنماط مونتاج أخرى.
• لغات متعددة: تجرّبات الإنجليزية، واليابانية، والكورية، والفرنسية، والإسبانية، والعربية، مع استعمال whisper للتحقق من الكلام.
• نص اختياري بعمق: فـ macOS، يقدر Apple Vision يفصل الأشخاص باش يحط نص كبير بين الخلفية والمقدم.

فهم سيرورة الإنتاج

المهارة كتوجّه وكيلاً متوافقاً عبر المراحل التالية:

1. التأكد من Renoise MCP وffmpeg وPython وNode.js وRemotion وwhisper.
2. تحليل المحتوى، واقتراح جوج أساليب للمونتاج، وجمع الاختيارات المطلوبة فدورة وحدة ديال الأسئلة.
3. إنشاء نص مقسّم فـ script.json، مع الحفاظ على مقاطع الكلام المولّدة داخل حد 15 ثانية.
4. تقديم تكلفة رصيد Renoise المتوقعة وانتظار التأكيد.
5. توليد المقطع الأول، وطلب الموافقة، ومن بعد توليد المقاطع المتبقية.
6. تحميل المقاطع بأمان، وتفريغ الكلام، وفحص إطارات ممثلة.
7. تطبيق توحيد الصوت وإنشاء خط زمني على مستوى الكلمات فـ tl.json.
8. المونتاج باستعمال قالب أسلوب Remotion ومكوّنات التغليف المختارة.
9. تصيير الفيديو، وفحص الانتقالات، وتوحيد علو الصوت النهائي.

قبل التثبيت

باش تأتمت سيرورة العمل كاملة، خاص الوكيل ديالك يقدر يحمّل Agent Skills، ويتصل بسيرفر MCP عن بُعد، وينفذ أوامر محلية. Claude Code تستعمل فبناء واختبار المستودع. من المنتظر Codex يخدم بنفس السكريبتات، بينما OpenClaw وWorkBuddy ومنتجات أخرى يقدرو يخدمو إلا وفّرو القدرات الثلاثة كاملة.

الوكيل اللي كيعتمد غير على MCP والدردشة يقدر باقي يخطط للفيديو، ويقدّم تكلفة التوليد، وينشئ المقاطع عبر Renoise. أما التحميل المحلي، وفحوصات الجودة، والمونتاج، والتصيير، خاصها من بعد وكيل قادر يخدم بالـ shell أو تشغيل الأوامر الموثقة يدوياً.

تثبيت Digital Human Koubo

1. استنساخ المستودع

git clone https://github.com/andyhuo520/digital-human-koubo.git
cd digital-human-koubo

2. تثبيت جوج ديال Agent Skills

المستودع فيه المهارة الرئيسية digital-human-koubo ومحرك finance-explainer المستعمل فـ Style A. مستعملو Claude Code يقدرو يثبتو بجوج بهاد الأوامر:

mkdir -p ~/.claude/skills
cp -R skills/digital-human-koubo skills/finance-explainer ~/.claude/skills/

بالنسبة لـ Codex، نسخهم لدليل المهارات ديالو:

mkdir -p ~/.codex/skills
cp -R skills/digital-human-koubo skills/finance-explainer ~/.codex/skills/

إلا كان الوكيل ديالك كيستورد المهارات عبر واجهة رسومية، صايب أرشيف ZIP فيه الجوج ديال المجلدات:

cd skills
zip -r ../digital-human-skills.zip digital-human-koubo finance-explainer
cd ..

3. ربط Renoise MCP

صايب حساب فـ Renoise. المصادقة كتدار فالمتصفح، يعني ما خاصكش تلصق مفتاح API فالمشروع.

بالنسبة لـ Claude Code، ثبت الإضافة الرسمية:

/plugin marketplace add ArcoCodes/renoise-plugins-official
/plugin install renoise@renoise-plugins-official

بالنسبة لـ Codex، زِد وسجّل الدخول لسيرفر MCP عن بُعد:

codex mcp add renoise --url https://renoise.ai/api/public/mcp
codex mcp login renoise

الكلوانات المتوافقة الأخرى تقدر تستعمل https://renoise.ai/api/public/mcp كرابط MCP مخصّص وعن بُعد. من بعد ما تربط، طلب من الوكيل يتأكّد من الرصيد ديالك فـ Renoise. هاد الشي كيتحقّق من المصادقة ومن الولوج للأدوات قبل ما تبدا تولّد الأصول المؤدّاة.

4. ثبّت أدوات الإنتاج المحلية

الخطّ المحلي كيتطلّب ffmpeg، وPython 3 مع NumPy وPillow، وNode.js 18 أو أحدث، وwhisper.cpp، وموديل ديال whisper. فـ macOS، الإعداد العادي هو:

brew install ffmpeg python node whisper-cpp
python3 -m pip install numpy pillow

حمّل ggml-medium-q5_0.bin من مجموعة موديلات whisper.cpp وحطّو فـ ~/models/. أو بدّل المسار باش يوجّه الخطّ لمكان آخر:

export WHISPER_MODEL=/path/to/model.bin

مستعملو Claude Code يقدرو يشغّلو سكريبت التشخيص المرفق. كيتجاوز التبعيات المثبّتة وكيعرض الاختيارات ديال أي حاجة ناقصة:

bash ~/.claude/skills/digital-human-koubo/scripts/doctor.sh

فـ Windows، ثبّت ffmpeg وPython وNode.js باستعمال Winget، ومن بعد جيب whisper-cli من إصدارات whisper.cpp. فـ Linux، ثبّت ffmpeg وPython بمدير الحزم ديال النظام، استعمل نسخة LTS من Node.js، وبْني whisper.cpp من المصدر إلا كان ضروري.

5. ولّد أصول صوتية

المستودع ما فيهش صوتيات ديال طرف ثالث. ولّد مجموعة أصلية فيها 30 مؤثراً صوتياً وموسيقى خلفية مؤقتة باستعمال:

python3 ~/.claude/skills/digital-human-koubo/scripts/make_assets.py

السكريبت new_edit.sh حتى هو كيدير هاد الخطوة فالمشاريع الجديدة. إلا بغيتي موسيقى بجودة أعلى، حطّ موسيقى عندك الحق تستعملها فـ <project>/public/music/bgm.mp3.

صايب الإنسان الرقمي ديالك

1. اختار صورة مواجهة للكاميرا، بإضاءة متوازنة، وفم مسدود، والشعر بعيد على الوجه.
2. طلب من الوكيل يولّد ورقة مرجعية بأربع زوايا كاتبيّن الأمام، الجهتين، والظهر. الـREADME كيوصي بـ GPT Image 2.5 بدقّة 2K.
3. جرّب نفس الصورة ونفس الجملة المنطوقة مع موديلات الفيديو المتاحة، بحال Grok Video 1.5 وWan 3.0، واختار النتيجة اللي عجباتك.
4. طلّع المرجع الموافق عليه لـ Renoise.
5. نسخ القيمة material:<id> اللي رجعات، وحطّها فـ skills/digital-human-koubo/persona.json تحت renoise.reference_material.

معرّفات المواد الموجودة فالمستودع تابعين لحساب Renoise ديال المؤلف، وما غاديش يخدمو فحساب آخر. بدّلهم بالمرجع اللي طلّعتيه ديالك. تقدر تضبط مقدّم ثاني باستعمال الحقل الموثّق other_hosts.me.

صايب أول فيديو ديالك

منين كتكون المهارة والأدوات واجدين، وصف الفيديو بلغة عادية. ضمّن الموضوع، المدة اللي بغيتي، تفاصيل العرض الواقعية، وأي طلبات بصرية.

Use my digital human skill to make a 30-second livestream ad:
WorkBuddy course, 10 lessons, ¥99, previously ¥999.

وتقدر حتى تطلب شرح أطول أو تغليف محدّد:

Make a 3-minute explainer about why Silicon Valley Bank collapsed.
Use the finance and technology explainer style.
Add a map route when the countries are mentioned.
Put “¥99” behind the presenter and begin with a teaser cold open.

الوكيل خاصّو يجاوب بتشخيص قصير للمحتوى، وجوج ديال الستايلات المقترحة، ومجموعة وحدة ديال الأسئلة كاتغطّي الستايل، والنسبة، والمدة، وكثافة الكابتشن، والمقدّم. من بعد كيحضّر السكريبت وتصميم المشاهد قبل ما يبيّن عرض الكريدي.

ما توافقش أوتوماتيكياً. راجع عدد المقاطع، ومجموع الثواني، والرصيد الحالي، والكريدي المتوقع. من بعد الموافقة، تفحّص المقطع الأول من ناحية ثبات الهوية، والنطق، وتزامن الشفايف، والتأطير، والترجمة اللي ما طلبتيهاش. وافق على الدفعة الباقية غير ملي تكون العيّنة مقبولة.

اختار ستايل المونتاج

• الستايل A، شرح مالي أو تقني: صيغة 16:9 لفيديوهات تقريباً من 3 حتى 20 دقيقة على الأحداث، والأدلة، والبيانات، والأسئلة ديال «علاش».
• الستايل B، مقدّم مؤثر كيهضر مباشرة للكاميرا: صيغة 9:16 لتوصيات المنتجات، وفيديوهات البيع، والآراء، من 30 حتى 120 ثانية. الكابتشن يقدر يكون هادئ، عادي، أو حيوي.
• الستايل C، تفكيك الإطلاق: صيغة 16:9 لإعلانات المنتجات أو الموديلات من 30 حتى 90 ثانية، وغالباً كيكون المقدّم حدّ لقطات داعمة.
• الستايل D، شرح خطوة بخطوة: صيغة 16:9 لدلائل الإعداد والمحتوى التعليمي من 3 حتى 8 دقايق.
• الستايل E، مقدّمين ومشاهد متعدّدين: صيغة 16:9 لعروض متعدّدة اللغات من 3 حتى 7 دقايق، فيها مقدّمين أو مواقع متعدّدة.

الستايل A كيستعير غير المبادئ البنيوية ومبادئ المونتاج من صيغ الشرح المعروفة. ما كيستعملش وجه أو صوت أو ديكور أو كلام ديال شي صانع محتوى.

خصّص التغليف

نظام التغليف فيه 48 مكوّناً مسمّى. متجمعين حول خطّافات البداية، والأدلة والبيانات، والتعليقات التوضيحية، والأشخاص، والإيقاع، والتفاعل. من الأمثلة TeaserColdOpen وNumberSpike وEvidenceCard وMapRoute وLowerThird وPunchInHost وChapterCard وTextBehind.

المكوّنات كتزاد للائحة pack. التوقيت يقدر يشير لمقطع ولكلمة منطوقة، وهاد الشي كيخلّي المؤثرات تتبع الهضرة عوض ما تعتمد غير على الثواني الخام:

{
  "pack": [
    {
      "use": "NumberSpike",
      "at": "1:不到十块钱",
      "until": "1:end",
      "text": "¥9.9/节",
      "label": "一节课"
    },
    {
      "use": "Danmaku",
      "items": [
        { "t": "真的假的？", "at": "1:" },
        { "t": "AI 还能帮我干活？", "at": "1:教你", "hot": true }
      ]
    }
  ]
}

تحقّق من إعدادات المونتاج قبل التصيير:

python3 scripts/check_edit.py <project>/src

صايب النص من ورا المقدّم

تأثير النص العميق كيستعمل طبقة فلكواليس، نص كبير، ونسخة شفافة مقصوصة ديال المقدّم. تقسيم الشخص كيعتمد على Apple Vision، وهاد التأثير بالضبط كيحتاج macOS، مع أن باقي المسار خدام على أنظمة مختلفة.

python3 scripts/cutout_video.py \
  public/main.mp4 \
  public/main_cut_s4.webm \
  --from 17.2 \
  --to 22.4

عالج غير الثواني اللي محتاجة التأثير. كيخدم مزيان مع لقطة متوسطة ومساحة باينة حدا الموضوع. إلا كان المقدّم كياخذ كثر من حوالي 60 فالمية من الكادر، السكريبت كينبّه باللي النص يقدر يتغطّى. علّم المقاطع المناسبة بـ "shot": "depth" باش يتولّدو بتأطير أنسب.

نصائح متقدمة للإنتاج

خلي البداية مباشرة

بدا بالفكرة الرئيسية، الفعل، ولا السؤال المركزي فالثلاث ثواني اللّولين. تجنّب تبدا بالتحية ولا باللوغو. فالثلاثين ثانية اللّولين، دخل تغيير بصري ولا تحريري تقريباً كل ثلاث حتى لخمس ثواني.

استعمل الحركة باقتصاد

مع إنسان رقمي بكاميرا وحدة، القطع مع تقريب فحدود الجمل كيعطي إيقاع بصري بتكلفة قليلة. النمط الموثّق كيتناوب تقريباً بين تأطير 1.0× و1.18× و1.32×.

استعمل المؤثرات الصوتية بانتقائية

خلي موسيقى خلفية مستمرة، ولكن خبي المؤثرات الصوتية للأحداث المهمة. صمت قصير تقريباً من 0.6 حتى 1.0 ثانية قبل الكشف يقدر يخلي الكشف أكثر تأثيراً.

راجع أخطاء التفريغ بذكاء

Whisper يقدر يحوّل كلمات الأرقام الصينية المنطوقة لأرقام. هاد الشي يقدر ينقص النقطة المحسوبة لتطابق النص حتى إلا كان الصوت صحيح. سمع للمقاطع المشكوك فيها قبل ما تخلّص باش تعاود تولّدها.

حافظ على نسبة أبعاد المصدر

إخراج Grok العمودي بجودة 9:16 و720p هو 720×1280. ما تمدّوش لنسبة أبعاد أخرى. استعمل قالب مناسب، قصّ بشكل مقصود، ولا عاود ولّدو للصيغة المطلوبة.

تجنّب تكرار صوت المقدّم

كتم مسار فيديو المقدّم ملي كتستعمل الصوت المنقّى. تشغيل المسارين الأصلي والمعالَج مجموعين مع فرق صغير فالتوقيت كيخلق ترشيحاً مشطياً قاسياً.

استعمل الأصوات البديلة بحذر

الصوت الأصلي ديال Grok غالباً كيعطي أحسن تزامن حيث النموذج كينشئ حركة الشفايف بهاد الصوت. Xiaomi MiMo TTS يقدر يوفّر صوت مصمّم، صوت مستنسخ بترخيص، ولا تعليق صوتي، ولكن تبديل الصوت المتولّد يقدر يخلّي فرق فالتوقيت بحوالي 100 ميلي ثانية. هاد الفرق كيبان أقل فلقطات صورة داخل صورة من اللقطات القريبة بملء الشاشة. إلا بغيتي تطابق دقيق مع التسجيل ديالك، رجع لتوثيق المهارة على نموذج كيعتمد على الصوت بحال OmniHuman.

استراتيجية التكلفة والموافقة

التوليد كيستعمل أرصدة Renoise، والأسعار تقدر تتبدّل. الـREADME كيسجّل إعلان بث مباشر عمودي مدته 27 ثانية بـ482 رصيد، بينما الدروس اللي كتدوم دقايق متعددة احتاجات لآلاف الأرصدة. اعتبر هاد الأرقام أمثلة، ماشي أسعار ثابتة.

اعتمد دائماً على العرض الحالي ديال الوكيل. راجع حتى الدقة المخططة: الأسعار المرجعية الموثّقة كانت 17 رصيد فالثانية لـGrok Video 1.5 بجودة 720p، و10 أرصدة فالثانية بجودة 480p، و23 رصيد لتوليد 2K بـGPT Image 2.5 وقت ما تكتب الـREADME.

لائحة التحقق قبل النشر المسؤول

• استعمل غير الوجوه والأصوات اللي كتملكها ولا عندك إذن صريح تستعملها.
• ما تنتحلش شخصية شي شخص حقيقي، وما توحيش بأن المقدّم بالذكاء الاصطناعي تأييد حقيقي.
• بيّن أن الفيديو مقدَّم من إنسان رقمي بالذكاء الاصطناعي، وعلّم المشاهد المولّدة ولا الحيوانات بأنها مولّدة بالذكاء الاصطناعي.
• ما تخترعش الأثمان، التقييمات، العروض، الإحصائيات، ولا ادعاءات الزبناء. وضّح البيانات النموذجية بوضوح.
• ما تدخلش لقطات أفلام محمية بحقوق الطبع، ولا إطارات من التلفزة، ولا صور المشاهير، ولا ميمات الويب بلا ترخيص.
• نسب الفضل لـGoogle Noto ملي كتستعمل أصول الإيموجي المتحركة المرفقة.
• راجع متطلبات الترخيص المنفصلة ديال Remotion، خصوصاً للشركات اللي فيها كثر من ثلاثة ديال الناس.

الخلاصة

Digital Human Koubo كيجمع بين التخطيط الموجّه بالوكيل، والتوليد عبر Renoise، والتحقق المعتمد على whisper، ومعالجة الصوت، وتحرير Remotion فمسار إنتاج مضبوط. أحسن طريقة للبداية هي تثبّت المهارتين بجوج، وتتحقق من كل الاعتماديات، وتكوّن الشخصية ديالك المصرّح ليك بها، وتنتج فيديو اختبار قصير. وافق على العرض والمقطع الأول بعناية قبل ما تكبّر المشروع لمشاريع أطول، متعددة اللغات، ولا عامرة بالتغليف.