直播间里那位介绍课程的主播并不存在。2026 年 10 月，一个开源仓库放出了这条 27 秒的带货广告：脸、声音、直播间背景、花字、价格动画全部由 AI 生成，人类的输入只有一张照片和一句话——「用这个数字人做一条 30 秒直播间广告，卖上手课，10 节课 99 元」。作者公布的生成成本是 482 个平台积分。
这个仓库叫 digital-human-koubo，作者 Berryxia，MIT 许可，2026-10-26 创建，截至 2026-10-28 有 1129 Star、268 Fork。两天千星在当下的 GitHub 不算稀奇，稀奇的是它验证了一条路线：数字人口播视频可以不依赖 SaaS 订阅，也不依赖本地 GPU，而是由 Agent 编排「云端生成 API + 本地剪辑脚本」跑完整条生产链。
不是应用，是一份流程知识
clone 下来只有 55MB，没有 package.json，也没有 src/。整个仓库就是两个 Agent Skill 文件夹：digital-human-koubo（主流程）和 finance-explainer（风格 A 的剪辑引擎），每个都是 SKILL.md 流程书加 Python/Shell 脚本加 Remotion 视频模板。
驱动它需要一个满足三个条件的 Agent：能装 Skill、能接远程 MCP、能在本机执行命令。Claude Code 和 Codex 都满足，作者的全部示例视频就是用 Claude Code 做的。
这个粒度选择是整个仓库最有价值的判断。内容生产链被拆成三层：流程知识放 skill（写稿规范、切段规则、质检清单、踩坑处理），算力放云端 API（Grok Video 1.5 生成口播、GPT Image 2.5 合成场景），质检与组装放本地脚本（ffmpeg、whisper.cpp、Remotion）。换生成模型不用改流程，换剪辑模板不用动生成，升级质检只改脚本。
同样是 Agent 驱动的视频生产，我们此前拆解过的 OpenMontage 用 12 条管线和 500+ 技能做一个通用制作工作室；koubo 只做口播这一个体裁，把每个环节抠到可复算。两条路线的取舍，放在文末评分里说。
架构：生成在云端，质检与组装在本地
云侧只有一个依赖：Renoise。它是 2026 年出现的 AI 生成聚合平台，把 Grok Video、GPT Image、Seedance、Kling 等模型收进一个积分池，MCP 端点（https://renoise.ai/api/public/mcp）走浏览器 OAuth 授权，全程不用复制 API key。koubo 用到其中两个模型：Grok Video 1.5 生成对口型的口播片段，GPT Image 2.5 合成场景图和四视图。README 还写了 Wan 3.0 和 OmniHuman（用你自己的录音驱动口型）的用法，但截至 2026-10-28，Renoise 官网的模型列表里没有这两家，真要用得先确认平台支持。
本机侧四个依赖：ffmpeg、Python 3（numpy/Pillow）、Node 18+（Remotion）、whisper.cpp。全部是 CPU 任务，没有显卡要求，这是「生成在云、组装在本地」拆分带来的直接好处。
人设固定在 persona.json 里：参考图在 Renoise 的 material id、实测语速 5.4 字/秒、全屏 720p 与画中画 480p 两档分辨率、给 Grok 的英文提示词模板（末尾特意写了 no subtitles, no on-screen text，因为 Grok 偶尔会自作主张往画面里烧字幕），外加一组按镜头类型的动作库（全屏出镜、画中画讲解、vlog 自拍、景深中景各一套表演指令）。除了默认的白背心数字人，other_hosts 里还有用户本人数字人和两个动物主播（橘猫店长、柴犬），多主播接力和多语言都在这一层解决。
九步流水线，三道闸门
流程从环境检查（doctor.sh，缺什么列多种装法）开始，经内容诊断、写稿、报价、生成、下载、质检、修音，到 Remotion 渲染出片。值得逐个说的是这些环节里的工程细节。
写稿切段是第一处。每段台词不超过 15 秒（Grok 单段上限），时长按 ceil(字数 / 5.4 + 1.0) 估算后夹在 4–15 秒之间，5.4 字/秒是实测语速；日韩语按 7 字/秒，拉丁语系按 2.6 词/秒。超过 15 秒的段直接报错，逼你拆稿，而不是静默截断。
然后是三道闸门，全部对着「生成式内容烧钱且不可退」这个事实设计：
- 报价闸门。build_tasks.py 先算出「段数 · 秒数 · 预估积分」，调 estimate_cost 核对余额，用户确认才调 create_tasks。每个任务带 idempotencyKey（格式
dh-<工程名>-<段号>-v1），重跑不会重复扣费。 - 首段闸门。批量生成前先拍第 1 段，音色口型看过再放行剩余段落；生成按每 10 个任务一批提交。
- 质检闸门。每段 whisper 回听转写、和稿子比对；每段抽 4 帧检查 Grok 有没有私自烧字幕。SKILL.md 里的原话是「提示词写了也挡不住」，所以只能靠抽帧兜底，中招就重拍那一段。
回听环节还藏着一个 whisper 的坑：带 --prompt 原文 会漏掉前半句，所以对齐提示用中性的「以下是普通话的句子。」。这类只有跑过才能知道的细节，仓库里至少有六处，全部写回了文档。
下载环节也有工程量：Renoise 的美国 CDN 并行下载经常断成半截，rangedl.py 把每个文件切成 6 段 Range 并发下载、断点续传，下完再用 ffmpeg 解码校验一遍。
修音是多段生成能不能「像一次录完」的关键。voicefx/unify.py 做四件事：22 个 1/3 倍频程中心频点（100 Hz–12.5 kHz）的能量向参照组中位数靠拢（±4 dB，走 ffmpeg 的 firequalizer）；去齿音（deesser）加三段 EQ 收刺耳频段；按原始混响长短补同一间「房间」；统一到 -18 LUFS。作者给出的实测数字：齿音段间差从 13.2 dB 收到 5.9 dB。剪辑时数字人视频轨全程静音、人声单独铺轨，避免几毫秒的错位叠出梳状滤波。
积分账单：按「秒 × 分辨率」计费
单价（仓库文档标价，实际以 Renoise 实时报价为准）：Grok Video 720p 17 积分/秒，480p 10 积分/秒（画中画用，便宜四成），GPT Image 2.5 2k 约 23 积分/张。
作者公开的三条实测账单：
| 成片 | 生成内容 | 积分 |
|---|---|---|
| 直播间广告 · 9:16 · 27 秒 | 1 张场景图 + 5 段 720p 口播 | 482 |
| 保姆级教程 · 16:9 · 4 分 36 秒 | 32 段口播（全屏 720p / 画中画 480p） | 约 3250 |
| 多主播多语言 · 16:9 · 5 分 55 秒 | 30 段新片段 + 7 张场景图，复用 17 段旧片段 | 约 3409 |
第一条的账能对上：482 = 23（场景图）+ 459（27 秒 × 17 积分/秒）。按这个单价，一条 3 分钟成片的生成成本在 2000–3500 积分区间。
需要提醒的是定价黑盒：Renoise 的 MCP 页面没有公布积分对法币的价格，只写了「与官网同价」「生成不可取消不可退款」「账号限 300 请求/分钟」三条约束。积分值多少钱，注册后在官网定价页才看得到。这得益于生成前强制报价的闸门设计，风险被框在「你确认过的那一单」里。
此前我们横向对比过 8 款开源 AI 视频生成工具，那一批的计价单位是「一段素材」，koubo 把计价粒度压到了「秒 × 分辨率」，细到写稿阶段就能算出整条片子的账单，这是 pipeline 化对成本控制的真实贡献。
48 个组件背后的 25 支视频
48 个包装组件不是拍脑袋列的。作者逐帧拆了 25 支头部博主的视频（MrBeast、Mark Rober、MKBHD、影视飓风、何同学、Johnny Harris、Vox、Kurzgesagt、半佛仙人、差评、毕导等），拆解报告放在 references/research/，提炼成 playbook 规则写进 skill：前 30 秒每 3–5 秒出现一个新视觉事件；前 3 秒直接给命题、不放 Logo；BGM 从头铺到尾，音效只给事件（中文口播头部每分钟 1–3 个）；单机位数字人最便宜的节奏手段是按句子边界做跳切推近（1.0× / 1.18× / 1.32×）。
组件在 Remotion 模板里按 pack 数组声明，触发点写「段：词」（比如 "3:积分" 表示第 3 段说到「积分」这个词时出现），9:16 自动适配，渲染前由 check_edit.py 做一遍静态检查。
其中景深字 TextBehind（大字放在人和背景之间，三层合成）是全仓库唯一的功能性平台绑定：逐帧人像分割用的是 macOS Vision（personmask.swift，首次运行时 swiftc 编译），Windows 和 Linux 没有现成替代。48 个组件里，这一个在非 macOS 机器上出不来。
Windows 本机部署：能跑，四个坑
我们最初的问题就是「能不能在 Windows 上跑」。读完代码的答案：能。生成在云端，本机只剩 CPU 任务；官方文档连 winget 命令都给了，doctor.sh 还专门识别 Git Bash（把 MINGW/MSYS 判定为 win）并按 Windows 列安装建议；whisper.cpp 有官方 Windows 预编译包，配套的 ggml-medium-q5_0.bin 模型约 540MB，从 HuggingFace 下载。
四个坑，前两个要改代码：
- 模板字体硬编码 macOS 字体。花字模板的中文字体栈是
"PingFang SC","Hiragino Sans GB"，Windows 上全部退化到 sans-serif，花字排版明显变丑。修法：模板文件里的字体栈加上"Microsoft YaHei"。 - finance-explainer 的 sheet.py 写死
/System/Library/Fonts/Menlo.ttc，Windows 上直接 FileNotFoundError，改成arial.ttf一行解决。 - node_modules 起不来克隆。new_edit.sh 起工程时会先尝试从作者本机的 Remotion 工程克隆依赖（APFS 克隆），Windows 上必然落空、回退 npm install。记得先
npm config set registry https://registry.npmmirror.com，依赖里含 three.js，不小。 - 景深字组件不可用（见上），48 个组件少 1 个。
部署路径是四条命令的事：装 Git for Windows（自带 Git Bash）；winget install Gyan.FFmpeg Python.Python.3.12 OpenJS.NodeJS.LTS；两个 skill 文件夹拷进 %USERPROFILE%\.claude\skills\；Claude Code 里装 Renoise 插件并浏览器登录。跑一次 doctor.sh 确认全绿。
| 路线 | 代表 | 计费 | 包装自由度 | 上手门槛 |
|---|---|---|---|---|
| SaaS 托管 | HeyGen / 剪映数字人 | 月订阅 + 额度 | 模板化，平台内调 | 最低 |
| 本地开源模型 | SadTalker / MuseTalk 一类 | 免费，吃电费 | 自行解决 | 高（要 GPU 和调参） |
| Agent 编排（本仓库） | digital-human-koubo | 按量积分 | Remotion 代码级，48 组件 | 中（要 Agent 工作流） |
我们的判断：SaaS 适合不想碰命令行的人；本地开源适合有卡有算法团队的定制需求；koubo 这条路的适用面，是已经在用 coding agent、想要一条可复算可定制生产线的人——成本结构和可控性都更好，代价是生成侧绑定单一云平台。
六维评分
| 维度 | 评分 | 依据 |
|---|---|---|
| 流水线工程设计 | 9/10 | 三道闸门、idempotencyKey、6 段续传下载、频谱匹配修音，全是生产级细节 |
| 生成质量 | 8/10 | 作者自述六种语言回听准确率 94–100%，Grok 烧字幕有质检兜底；本文未独立复测 |
| 文档与踩坑沉淀 | 9/10 | 踩过的坑全部写回 skill，doctor.sh 自动化环境检查 |
| 开箱体验 | 5/10 | 不是即装即用的应用，要 Agent、四样本机工具、注册云服务 |
| 平台兼容 | 6/10 | 跨平台但 Windows 有 4 个坑，1 个组件 macOS 专属 |
| 自主可控 | 5/10 | 生成侧绑定 Renoise；剪辑模板 MIT 可改；Remotion 商用需注意 ≤3 人公司免费条款 |
需要说明：本文是源码走读加作者公开数据的评测，没有花积分复现生成质量；文中所有成本与质量数字来自仓库文档和脚本，数据截至 2026-10-28。
结论
这个仓库最值钱的部分不是那个白背心数字人，是它把「AI 内容生产」的粒度拆对了：流程知识沉淀为 skill，算力外置为按量云 API，质检与组装留在本地脚本。三道闸门（报价确认、首段确认、双质检）和 idempotencyKey 这类设计，任何要做 Agent 编排生成式内容的团队都值得直接抄。这与我们评测 scout 时的判断是同一条标准：对两天大的新仓库，把设计搬走比把它供起来有用。
给三类读者的建议：已经在用 coding agent 的个人和小团队，可以直接上手，注意 Remotion 的 ≤3 人免费条款和积分成本；Windows 用户按上面四个坑绕行，生成侧不吃本地硬件；做视频产品的工程师，把它当 pipeline 设计范本读，重点看 build_tasks.py 的计费精度和 voicefx/unify.py 的修音链。
参考资料
- andyhuo520（Berryxia）— digital-human-koubo 仓库（2026-10-26 创建，MIT 许可；Star/Fork 数截至 2026-10-28）
- 仓库源文件 — SKILL.md、persona.json、scripts/build_tasks.py、scripts/voicefx/unify.py、scripts/rangedl.py
- Renoise — MCP 接入页（接入免费，生成按积分计费，以官网实时价格为准）
- whisper.cpp — Releases（Windows 预编译包）与 ggml-medium-q5_0.bin 模型（约 540MB）
- Remotion — 公司许可说明（个人与 ≤3 人公司免费）