项目简介
lanshu-create-ai-presenter-video 是一个面向 Codex 的通用数字人视频制作 Skill。你只需提供主题或完整文案，以及一张经过授权、包含清晰成年人物的参考图，它就能组织数字人视频的主要制作环节。
完整流程涵盖文案整理、配音、人物生成、口型校准、字幕、关键词动效、剪辑、渲染和质量验收。项目采用能力选择方式，根据当前环境中可用的工具完成任务，不在源码中绑定特定服务商、模型名称或私有接口。
该 Skill 不是独立的视频生成模型。它需要运行在 Codex 或兼容本地 Skill 的 Agent 环境中，并依赖环境内可调用的视频生成、语音生成和口型同步能力。
核心特点
- 服务商中立：工作流不固定依赖某个模型、平台或私有 API。
- 完整制作链路：从输入检查、脚本与配音，到剪辑、字幕、封面、导出和验收均有对应流程。
- 统一时间基准：以完整配音作为全片时间轴，定位人物视频、字幕、镜头、关键词和转场。
- 按阶段加载参考资料：Codex 只在进入对应阶段时读取相关文档，以减少上下文占用。
- 成本控制：先进行低成本人物试片，并设置付费生成说明、重试上限和中断恢复规则。
- 安全与隐私约束：上传人物图片或克隆声音前确认授权，仓库不保存 API 密钥、访问令牌或用户素材。
- 标准化交付：流程目标包括输出母版、分享版和 QA 报告。
准备输入与运行环境
最少输入
- 一个视频主题或一份完整文案。
- 一张经过授权、包含清晰成年人物的参考图。
你还可以提供声音样本、屏幕录制、图片、B-roll、品牌素材、目标平台、视频时长、横竖屏比例、视觉风格、水印和结尾引导。声音样本只有在获得相应授权后才能用于声音克隆。
环境要求
- Codex 或兼容本地 Skill 的 Agent 环境。
- Python
3.9+。 FFmpeg与ffprobe。- Bash、
jq、awk和sed。 - 至少一种当前环境可调用的视频生成、语音生成和口型同步能力。
开始任务前，应先确认这些命令和生成能力在当前环境中可用。项目仓库可在 GitHub 查看。
安装 Skill
运行以下命令，将仓库克隆到 Codex 的 Skill 目录：
git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \
~/.codex/skills/lanshu-create-ai-presenter-video安装完成后的路径应为：
~/.codex/skills/lanshu-create-ai-presenter-video了解目录结构
lanshu-create-ai-presenter-video/
├── SKILL.md
├── README.md
├── agents/
│ └── openai.yaml
├── assets/
│ └── job.template.json
├── references/
│ ├── generation.md
│ ├── editing.md
│ └── qa-recovery.md
└── scripts/
├── init_job.py
├── preflight.py
└── finalize_delivery.sh三份参考文档分别服务于不同制作阶段：
generation.md：处理输入检查、文案、声音、能力选型、付费生成、人物提示词与一致性。editing.md：处理时间轴、开场和结尾、字幕预设、人物侧关键词动效、封面与导出。qa-recovery.md：处理技术验收、人工验收以及常见故障修复。
方法一：在对话中直接创建视频
最简单的使用方式，是在 Codex 对话中明确调用 Skill，并同时给出文案、人物图和成片要求。例如：
使用 $lanshu-create-ai-presenter-video，把这份文案和人物图做成一条 16:9、30 秒、有实时字幕的数字人讲解视频。提交请求时，建议一并说明素材位置、目标平台、时长、画面比例、字幕形式、风格、水印和结尾引导。若没有授权声音样本，默认会选用合适的库存声音，而不是擅自克隆声音。
方法二：初始化标准任务目录
对于需要检查配置、保留任务记录或分阶段执行的项目，可以先使用仓库脚本建立标准任务目录。
第一步：设置 Skill 路径
SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-video第二步：初始化任务
python3 "$SKILL_DIR/scripts/init_job.py" \
--job-dir ~/Videos/my-presenter-video \
--presenter-image ~/Pictures/presenter.png \
--topic "视频主题" \
--duration 60 \
--aspect 9:16 \
--rights-confirmed \
--adult-presenter-confirmed这个示例创建一个时长为 60 秒、比例为 9:16 的任务。--rights-confirmed 表示已经确认人物图片使用权，--adult-presenter-confirmed 表示已经确认参考图中的人物为成年人。
只有在确实完成授权和人物状态检查后，才应使用对应确认参数。远程上传前仍应检查任务配置中的许可信息。
第三步：补全 job.json
初始化后，进入任务目录并查看生成的 job.json。按照任务实际情况补全人工检查项与远程上传许可。不要把未经授权的人物图、声音样本或其他素材提交给远程服务。
第四步：运行预检
python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json预检用于在正式生成前检查任务配置。应先处理预检发现的问题，再进入可能产生费用的视频、语音或口型同步阶段。
理解完整制作流程
- 接收主题或文案与人物图：确认素材可用，并核实图片授权及成年人物状态。
- 锁定文案和完整配音：先确定最终讲述内容，再生成全片配音。
- 制作低成本人物试片：在大规模付费生成前验证人物效果和技术路线。
- 生成连续数字人主素材：根据已确认的配音和人物设置生成主要画面。
- 按照同一音频时间轴剪辑：让人物画面、字幕、镜头、关键词和转场共享时间基准。
- 添加字幕、关键词动效和封面：完成信息强化和发布包装。
- 执行质量验收：检查口型、人物一致性、声音和画面质量。
- 完成交付：输出母版、分享版和 QA 报告。
完整配音是流程中的关键基准。先锁定音频，再围绕它安排视频和字幕，可以减少口型漂移以及不同片段之间的衔接问题。
默认输出设置
如果没有提供更具体的要求，工作流采用以下默认方向：
- 竖屏
9:16，分辨率1080×1920，帧率30fps。 - 根据主题生成的视频通常控制在 45 至 75 秒。
- 没有授权声音样本时使用合适的库存声音。
- 结构通常包含清晰开场、2 至 4 个内容节拍和简洁结尾。
- 音乐与商业引导根据需求添加。
- 发布响度目标约为
-16 LUFS。
如果目标是横屏视频，应像对话示例一样明确指定 16:9；如果希望制作短视频平台内容，则可以保留默认的 9:16，或在初始化任务时通过 --aspect 9:16 显式设置。
进阶使用技巧
先锁定配音，再安排所有视觉元素
不要分别为字幕、镜头和人物片段建立互不关联的时间线。先生成并确认完整配音，然后让字幕、人物画面、关键词动效和转场都对齐同一音频，可以提高整体同步性。
付费生成前先制作试片
第一次进入付费生成前，应明确上传内容、生成时长、价格依据、试片方案和重试上限。低成本试片能够提前暴露人物外观、口型效果或工具兼容性问题，避免直接生成完整视频造成浪费。
中断后优先恢复已有任务
如果远程任务中断，不要立即重新提交。应先查询已有任务 ID，确认任务是否仍在运行或已经产生结果，以避免重复扣费。连续三个付费候选失败后，应停止继续生成并总结问题。
区分技术验收与人工验收
技术检查可覆盖文件和媒体层面的异常，人工检查则应关注口型是否自然、人物是否一致、声音是否合适、字幕是否易读，以及画面是否满足发布要求。相关验收和故障恢复规则位于 references/qa-recovery.md。
保护任务记录与素材隐私
- 不要将 API 密钥、访问令牌或签名下载地址写入仓库。
- 提交任务级请求记录前，移除凭据与临时 URL。
- 预检与交付报告只保留文件名，不写入开发者机器的绝对路径。
- 确认人物图片使用权后再远程上传。
- 确认声音授权后再使用声音克隆能力。
结语
lanshu-create-ai-presenter-video 将数字人视频制作拆分为可检查、可恢复的标准阶段，并通过统一配音时间轴降低口型和剪辑衔接问题。安装 Skill 后，你可以直接在 Codex 对话中发起任务，也可以先初始化 job.json 并执行预检，以更严格地控制授权、成本、生成过程和最终质量。
该项目采用 MIT License，允许自由使用、修改和分发。使用反馈可通过 GitHub Issue 提交，工作流、兼容性和质量检查改进也可以通过 Pull Request 贡献。