Asosiy kontentga o‘tish
AI qo‘llanmalari

Digital Human Koubo yordamida bitta suratdan AI gapiruvchi bosh videolarini yarating

Ushbu qo‘llanmada Digital Human Koubo yordamida surat va oddiy tildagi so‘rovni lablar sinxronlangan, subtitrli va professional tarzda tayyorlangan videoga aylantirish tushuntiriladi. Siz agent ko‘nikmalarini o‘rnatasiz, Renoise MCP’ni ulaysiz, mahalliy vositalarni tayyorlaysiz, raqamli inson personasini yaratasiz, ishlab chiqarish jarayonini ishga tushirasiz, montaj komponentlarini moslaysiz va keng tarqalgan sifat muammolarining oldini olasiz.

Taxminan 37 daqiqalik o‘qish
Digital Human Koubo yordamida bitta suratdan AI gapiruvchi videolar yarating

Digital Human Koubo nima?

Digital Human Koubo — AI videolardagi gapirayotgan boshlovchilarni yaratish uchun mo‘ljallangan ochiq kodli Agent Skill. Ruxsat berilgan namunaviy surat va kontent so‘rovidan boshlab, AI agent ssenariyni tayyorlashi, lab harakatlari sinxronlangan boshlovchi kliplarini yaratishi, ularning sifatini tekshirishi, ovozni bir xillashtirishi, subtitrlar va vizual bezaklar qo‘shishi hamda Remotion yordamida tayyor MP4 faylni render qilishi mumkin.

Digital Human Koubo gapiruvchi boshlovchi videosi namunasi

Boshlovchi konfiguratsiyasi persona.json faylida saqlanadi. Unda yuz namunasi, kiyim, ovoz tavsifi va prompt shabloni mavjud. Bu bir xil raqamli shaxsni jonli efir studiyalari, sinfxonalar, do‘konlar, ko‘chalar va boshqa generatsiya qilingan sahnalarda qayta ishlatish imkonini beradi.

Faqat o‘zingizga tegishli yuz va ovozdan yoki foydalanish uchun aniq ruxsatingiz bo‘lgan materialdan foydalaning. Haqiqiy shaxslar yoki ijodkorlarga taqlid qilmang va tayyor videolarni AI raqamli inson ijrosi sifatida belgilang.

Asosiy imkoniyatlar

  • Qayta ishlatiladigan raqamli inson: Bitta namunaviy surat va saqlangan persona konfiguratsiyasi asosida izchil boshlovchi yarating.
  • Lab harakatlari sinxronlangan generatsiya: Ssenariylarni 15 soniyadan oshmaydigan qismlarga ajrating va Renoise MCP orqali Grok Video 1.5 yordamida yarating.
  • Tasdiq asosidagi xarajatlar: Agent generatsiyadan oldin qismlar soni, davomiylik, kreditlar taxmini va hisob balansini ko‘rsatadi. U tasdiqni kutadi va qolgan qismlarni guruhlab yaratishdan oldin ko‘rib chiqish uchun birinchi qismni generatsiya qiladi.
  • Avtomatlashtirilgan sifat nazorati: Generatsiya qilingan nutq whisper yordamida transkripsiya qilinadi va ssenariy bilan taqqoslanadi. Har bir qismdan to‘rtta kadr ham keraksiz videoga o‘rnatilgan subtitrlar kabi muammolarni aniqlash uchun tekshiriladi.
  • Ovoz izchilligi: Spektral moslashtirish, sibilantlarni kamaytirish, umumiy xona reverberatsiyasi va balandlikni normallashtirish alohida yaratilgan kliplarni bitta yozuvga ko‘proq o‘xshatadi.
  • Beshta montaj uslubi: Agent mavzu, format, davomiylik va mo‘ljallangan auditoriyaga ko‘ra uslublarni tavsiya qiladi.
  • Bezaklar to‘plami: 48 ta komponent hooklar, dalil kartalari, hisoblagichlar, xaritalar, bob kartalari, animatsiyali subtitrlar, yaqinlashtirishlar va boshqa montaj uslublarini taqdim etadi.
  • Bir nechta tillar: Ingliz, yapon, koreys, fransuz, ispan va arab tillari sinovdan o‘tkazilgan; nutqni tekshirish uchun whisper ishlatiladi.
  • Ixtiyoriy chuqurlikdagi matn: macOS’da Apple Vision odam segmentatsiyasi katta matnni fon va boshlovchi orasiga joylashtirishi mumkin.

Ishlab chiqarish jarayonini tushunish

Skill mos keluvchi agentni quyidagi jarayon orqali boshqaradi:

  1. Renoise MCP, ffmpeg, Python, Node.js, Remotion va whisper mavjudligini tekshirish.
  2. Kontentni tahlil qilish, ikkita montaj uslubini tavsiya etish va kerakli tanlovlarni bir martalik savollar bosqichida yig‘ish.
  3. script.json faylida segmentlarga ajratilgan ssenariy yaratish va generatsiya qilinadigan nutq kliplarini 15 soniyalik limit ichida saqlash.
  4. Kutilayotgan Renoise kreditlari xarajatini ko‘rsatish va tasdiqni kutish.
  5. Birinchi qismni generatsiya qilish, tasdiq so‘rash, so‘ng qolgan qismlarni generatsiya qilish.
  6. Kliplarni xavfsiz yuklab olish, nutqni transkripsiya qilish va namunaviy kadrlarni tekshirish.
  7. Ovozni bir xillashtirish va tl.json faylida so‘z darajasidagi vaqt jadvalini yaratish.
  8. Remotion uslubidagi shablon va tanlangan bezak komponentlari yordamida montaj qilish.
  9. Videoni render qilish, o‘tishlarni tekshirish va yakuniy balandlikni normallashtirish.
Digital Human Koubo yordamida yaratilgan video namoyishi

O‘rnatishdan oldin

Butun jarayonni avtomatlashtirish uchun agentingiz Agent Skills’ni yuklay olishi, masofaviy MCP serveriga ulana olishi va mahalliy buyruqlarni bajara olishi kerak. Repozitoriy Claude Code yordamida yaratilgan va sinovdan o‘tkazilgan. Codex ham xuddi shu skriptlar bilan ishlashi kutiladi; OpenClaw, WorkBuddy va boshqa mahsulotlar uchala imkoniyatni taqdim etsa, ular ham ishlashi mumkin.

Faqat MCP va chat bilan ishlaydigan agent videoni rejalashtirishi, generatsiya xarajatlarini hisoblab berishi va Renoise orqali kliplar yaratishi mumkin. Mahalliy yuklab olish, sifat tekshiruvlari, montaj va renderlash esa shell buyruqlarini bajara oladigan agent yordamida yoki hujjatlashtirilgan buyruqlarni qo‘lda ishga tushirish orqali bajarilishi kerak.

Digital Human Koubo’ni o‘rnatish

1. Repozitoriyni klonlang

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

2. Ikkala Agent Skill’ni o‘rnating

Repozitoriyda asosiy digital-human-koubo skilli va Style A tomonidan ishlatiladigan finance-explainer mexanizmi mavjud. Claude Code foydalanuvchilari ikkalasini quyidagicha o‘rnatishi mumkin:

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

Codex uchun ularni uning skills katalogiga ko‘chiring:

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

Agar agentingiz skill’larni grafik interfeys orqali import qilsa, ikkala papkani o‘z ichiga olgan ZIP arxiv yarating:

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

3. Renoise MCP’ga ulaning

Renoise saytida hisob yarating. Autentifikatsiya brauzerda amalga oshiriladi, shuning uchun loyihaga API kalitini joylashtirishingiz shart emas.

Claude Code uchun rasmiy plaginni o‘rnating:

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

Codex uchun masofaviy MCP serverini qo‘shing va autentifikatsiyadan o‘ting:

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

Boshqa mos keluvchi mijozlar maxsus masofaviy MCP URL manzili sifatida https://renoise.ai/api/public/mcp dan foydalanishi mumkin. Ulangandan so‘ng agentdan Renoise balansingizni tekshirishni so‘rang. Bu pulli aktivlarni yaratishni boshlashdan oldin autentifikatsiya va vositalarga kirish imkoniyatini tekshiradi.

4. Mahalliy ishlab chiqarish vositalarini o‘rnating

Mahalliy pipeline uchun ffmpeg, NumPy va Pillow o‘rnatilgan Python 3, Node.js 18 yoki undan yangiroq versiyasi, whisper.cpp va whisper modeli kerak. macOS tizimida odatiy sozlash quyidagicha:

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

whisper.cpp modellari to‘plamidan ggml-medium-q5_0.bin faylini yuklab oling va uni ~/models/ ichiga joylashtiring. Muqobil ravishda pipeline’ni boshqa manzilga yo‘naltiring:

export WHISPER_MODEL=/path/to/model.bin

Claude Code foydalanuvchilari biriktirilgan diagnostika skriptini ishga tushirishlari mumkin. U o‘rnatilgan bog‘liqliklarni o‘tkazib yuboradi va yetishmayotgan narsalar uchun variantlarni ko‘rsatadi:

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

Windows tizimida ffmpeg, Python va Node.js ni Winget orqali o‘rnating, so‘ng whisper-cli ni whisper.cpp relizlaridan oling. Linux tizimida ffmpeg va Python’ni tizim paket menejeri orqali o‘rnating, Node.js ning LTS versiyasidan foydalaning va zarur bo‘lsa whisper.cpp ni manba kodidan yig‘ing.

5. Audio aktivlarini yarating

Repozitoriyda uchinchi tomon audio fayllari mavjud emas. 30 ta original ovoz effekti va vaqtinchalik fon trekini quyidagi buyruq bilan yarating:

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

new_edit.sh skripti yangi loyihalar uchun bu bosqichni ham bajaradi. Yuqoriroq sifatli saundtrekdan foydalanish uchun foydalanish huquqiga ega bo‘lgan musiqangizni <project>/public/music/bgm.mp3 manziliga joylashtiring.

O‘zingizning raqamli insoningizni yarating

  1. Yorug‘ligi bir tekis, og‘zi yopiq va sochlari yuzdan uzoqda bo‘lgan, old tomondan olingan suratni tanlang.
  2. Agentdan old, ikkala yon va orqa ko‘rinishni ko‘rsatadigan to‘rt ko‘rinishli ma’lumotnoma varag‘ini yaratishni so‘rang. README 2K o‘lchamdagi GPT Image 2.5 ni tavsiya qiladi.
  3. Mavjud video modellari, masalan, Grok Video 1.5 va Wan 3.0 yordamida bir xil rasm va aytiladigan jumlani sinab ko‘ring hamda o‘zingizga ma’qul natijani tanlang.
  4. Tasdiqlangan ma’lumotnomani Renoise’ga yuklang.
  5. Qaytarilgan material:<id> qiymatini skills/digital-human-koubo/persona.json faylidagi renoise.reference_material ostiga ko‘chiring.

Repozitoriyga kiritilgan material identifikatorlari muallifning Renoise hisobiga tegishli va boshqa hisobda ishlamaydi. Ularni o‘zingiz yuklagan ma’lumotnoma bilan almashtiring. Ikkinchi boshlovchini hujjatlarda ko‘rsatilgan other_hosts.me maydoni orqali sozlash mumkin.

Birinchi videongizni yarating

Ko‘nikma va vositalar mavjud bo‘lgach, videoni oddiy tilda tasvirlang. Mavzu, kerakli davomiylik, taklifning aniq tafsilotlari va istalgan vizual so‘rovlarni kiriting.

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

Shuningdek, uzunroq tushuntiruvchi video yoki muayyan qadoqlashni so‘rashingiz mumkin:

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.

Agent qisqa kontent diagnostikasi, tavsiya etilgan ikkita uslub va uslub, nisbat, davomiylik, subtitrlar zichligi hamda boshlovchini qamrab oladigan yagona savollar to‘plami bilan javob berishi kerak. Keyin kreditlar narxini ko‘rsatishdan oldin ssenariy va sahna dizaynini tayyorlaydi.

Avtomatik tasdiqlamang. Segmentlar soni, umumiy soniyalar, joriy balans va kutilayotgan kreditlarni tekshiring. Tasdiqlaganingizdan so‘ng birinchi segmentni shaxsning bir xilligi, talaffuz, lablar sinxronligi, kadr va istalmagan subtitrlar bo‘yicha tekshiring. Qolgan to‘plamni faqat namuna maqbul bo‘lgandagina tasdiqlang.

Tahrirlash uslubini tanlang

  • A uslub, moliya yoki texnologiya tushuntiruvchisi: voqealar, dalillar, ma’lumotlar va “nima uchun” savollariga bag‘ishlangan taxminan 3–20 daqiqalik videolar uchun 16:9 format.
  • B uslub, influencerning bosh qismi: 30–120 soniyalik mahsulot tavsiyalari, savdo videolari va fikrlar uchun 9:16 format. Subtitrlar vazmin, standart yoki jonli bo‘lishi mumkin.
  • C uslub, ishga tushirish tahlili: 30–90 soniyalik mahsulot yoki model e’lonlari uchun 16:9 format, ko‘pincha boshlovchi qo‘llab-quvvatlovchi tasvirlar yonida bo‘ladi.
  • D uslub, bosqichma-bosqich qo‘llanma: 3–8 daqiqalik sozlash yo‘riqnomalari va o‘quv kontenti uchun 16:9 format.
  • E uslub, bir nechta boshlovchi va sahna: bir nechta boshlovchi yoki joylashuv ishtirokidagi 3–7 daqiqalik ko‘p tilli namoyishlar uchun 16:9 format.

A uslub mashhur tushuntiruvchi formatlardan faqat tuzilma va tahrirlash tamoyillarini oladi. Unda ijodkorning yuzi, ovozi, dekoratsiyasi yoki iboralari ishlatilmaydi.

Qadoqlashni moslang

Qadoqlash tizimi nomlangan 48 ta komponentni o‘z ichiga oladi. Ular ochilish ilgaklari, dalil va ma’lumotlar, izohlar, odamlar, ritm va o‘zaro ta’sir atrofida guruhlangan. Misollar: TeaserColdOpen, NumberSpike, EvidenceCard, MapRoute, LowerThird, PunchInHost, ChapterCard va TextBehind.

Komponentlar pack ro‘yxatiga qo‘shiladi. Vaqtni segment va aytilgan so‘zga bog‘lash mumkin, bu effektlarning faqat xom soniyalarga tayanmasdan, nutq ortidan kelishiga imkon beradi:

{
  "pack": [
    {
      "use": "NumberSpike",
      "at": "1:O‘n so‘mdan ham kam",
      "until": "1:end",
      "text": "¥9.9/dars",
      "label": "Bir dars"
    },
    {
      "use": "Danmaku",
      "items": [
        { "t": "Rostdanmi?", "at": "1:" },
        { "t": "AI menga ham ishlashga yordam bera oladimi?", "at": "1:O‘rgataman", "hot": true }
      ]
    }
  ]
}

Render qilishdan oldin tahrirlash konfiguratsiyasini tekshiring:

python3 scripts/check_edit.py <project>/src

Presenter ortida matn yaratish

Chuqurlikdagi matn effekti fon qatlamidan, katta matndan va presenterning shaffof qirqib olingan tasviridan foydalanadi. Odamni segmentatsiya qilish Apple Vision’ga bog‘liq, shuning uchun jarayonning qolgan qismi platformalararo bo‘lsa ham, aynan bu effekt macOS’ni talab qiladi.

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

Faqat effekt kerak bo‘lgan soniyalarni qayta ishlang. Bu usul o‘rtacha plan va obyekt atrofida ko‘rinadigan bo‘sh joy bilan eng yaxshi ishlaydi. Agar presenter kadrning taxminan 60 foizidan ko‘prog‘ini egallasa, skript matn to‘silib qolishi mumkinligi haqida ogohlantiradi. Tegishli segmentlarni "shot": "depth" bilan belgilang, shunda ular mosroq kadr kompozitsiyasi bilan yaratiladi.

Ilg‘or ishlab chiqarish bo‘yicha maslahatlar

Kirishni darhol boshlang

Dastlabki uch soniyada asosiy da’vo, harakat yoki markaziy savolga o‘ting. Salomlashish yoki logotip bilan boshlashdan saqlaning. Birinchi 30 soniya davomida taxminan har uch-besh soniyada vizual yoki tahririy o‘zgarish kiriting.

Harakatdan tejamkorlik bilan foydalaning

Bitta kamerali raqamli inson uchun gaplar chegarasidagi yaqinlashtirish kesimlari kam xarajat bilan vizual ritm yaratadi. Hujjatlashtirilgan usul taxminan 1.0×, 1.18× va 1.32× kadr o‘lchamlari o‘rtasida almashadi.

Ovoz effektlaridan tanlab foydalaning

Fon musiqasi qatlamini saqlang, ammo ovoz effektlarini mazmunli voqealar uchun qoldiring. Reveal’dan oldingi taxminan 0.6–1.0 soniyalik qisqa sukut reveal’ni yanada ta’sirchan qilishi mumkin.

Transkripsiya xatolarini oqilona tekshiring

Whisper og‘zaki aytilgan xitoycha sonlarni raqamlarga aylantirishi mumkin. Bu audio to‘g‘ri bo‘lsa ham, hisoblangan matn mosligi ballini pasaytirishi mumkin. Qayta yaratish uchun pul to‘lashdan oldin shubhali segmentlarni tinglang.

Manba tomonlar nisbatini saqlang

Grok’ning 9:16 o‘lchamdagi 720p chiqishi 720×1280 ga teng. Uni boshqa tomonlar nisbatiga cho‘zib yubormang. Mos shablondan foydalaning, ataylab qirqing yoki kerakli format uchun qayta yarating.

Presenter audiosining ikki marta chiqishidan saqlaning

Tozalangan audiodan foydalanayotganda presenter video trekini ovozsiz qiling. Asl va qayta ishlangan treklarni juda kichik kechikish bilan birga ijro etish keskin comb-filtering effektini hosil qiladi.

Muqobil ovozlardan ehtiyotkorlik bilan foydalaning

Grok’ning ichki ovozi odatda eng yaxshi sinxronlashuvni ta’minlaydi, chunki model lab harakatini shu ovoz bilan yaratadi. Xiaomi MiMo TTS maxsus ishlab chiqilgan ovoz, ruxsat berilgan klonlangan ovoz yoki diktorlik ovozini taqdim etishi mumkin, ammo yaratilgan ovozni almashtirish taxminan 100 millisekundlik siljishga olib kelishi mumkin. Bu picture-in-picture kadrlarida to‘liq ekranli yaqin planlarga qaraganda kamroq seziladi. O‘zingiz yozgan ovozga aniq moslik kerak bo‘lsa, OmniHuman kabi audioga asoslangan model uchun skill hujjatlariga murojaat qiling.

Xarajat va tasdiqlash strategiyasi

Generatsiya Renoise kreditlaridan foydalanadi va narxlar o‘zgarishi mumkin. README’da 27 soniyalik vertikal jonli efir reklamasi 482 kredit, bir necha daqiqalik qo‘llanmalar esa bir necha ming kredit talab qilgani qayd etilgan. Bu raqamlarni qat’iy narxlar emas, misollar sifatida qabul qiling.

Har doim agentning jonli hisob-kitobiga tayaning. Rejalashtirilgan aniqlikni ham tekshiring: hujjatlashtirilgan ma’lumotlarga ko‘ra, README yozilgan vaqtda Grok Video 1.5 uchun 720p formatda soniyasiga 17 kredit, 480p formatda soniyasiga 10 kredit va 2K GPT Image 2.5 generatsiyasi uchun 23 kredit talab qilingan.

Mas’uliyatli nashr qilish tekshiruv ro‘yxati

  • Faqat o‘zingizga tegishli yoki foydalanish uchun aniq ruxsat olgan yuzlar va ovozlardan foydalaning.
  • Haqiqiy shaxsga hech qachon taqlid qilmang yoki AI presenter haqiqiy tavsiyani berayotgandek taassurot uyg‘otmang.
  • Videoni AI raqamli inson ijrosidagi video sifatida belgilang, yaratilgan sahnalar yoki hayvonlarni esa AI tomonidan yaratilgan deb ko‘rsating.
  • Narxlar, sharhlar, takliflar, statistikalar yoki mijoz da’volarini o‘ylab topmang. Namunaviy ma’lumotlarni aniq belgilang.
  • Mualliflik huquqi bilan himoyalangan film kadrlarini, televizion lavhalarni, mashhurlar suratlarini yoki litsenziyasiz internet memlarini qo‘shmang.
  • Animatsiyalangan emoji assetlaridan foydalanganda Google Noto’ga havola bering.
  • Remotion’ning alohida litsenziya talablarini, ayniqsa uch kishidan ortiq xodimga ega kompaniyalar uchun, tekshiring.

Xulosa

Digital Human Koubo agent boshqaruvidagi rejalashtirish, Renoise generatsiyasi, whisper asosidagi tekshiruv, audio qayta ishlash va Remotion tahririni nazorat qilinadigan ishlab chiqarish jarayoniga birlashtiradi. Boshlashning eng xavfsiz usuli — ikkala skill’ni o‘rnatish, barcha bog‘liqliklarni tekshirish, o‘zingizga tegishli ruxsat berilgan personani sozlash va qisqa test video yaratishdir. Uzunroq, ko‘p tilli yoki murakkab paketlangan loyihalarga o‘tishdan oldin hisob-kitob va birinchi segmentni diqqat bilan tasdiqlang.