左海(@heizolshao):最近中文推里，@Zesee 的数字人skill 太火了如果你也想使用这个Skill, 算了一遍成本才发现，从声音克隆、配音到人物视频生成，每一层都在收费。10 秒视频要花 $1 左右。本着独立开发者精神，能省则省的思路。我就在想有没有本机部署模型的平替方案？今天花了 4 个小时，总算找到了。声音部分：改成本地运行 Qwen3-TTS 模型，用一段自己的录音生成后续口播 wav文件。视频目前仍然使用 HeyGen：但我已经找到代替方案 LongCat-Video-Avatar 1.5 模型（待测试）。我发现在调用 HeyGen 花$0.6 后，生成的口播视频，缺少字幕，这就成了半成品。无意中发现好友 @Jasper_Wei1 的 JPW-Live-Cut 给了我新的启发。我复用了他的 Remotion 字幕思路，单独做了一条本地字幕流水线，让它支持任意长度的普通口播视频。现在整条流程已经变成：本人参考声音 → 本地 Qwen3-TTS 生成口播 → 本地 ASR 检查 → HeyGen 生成人物视频 → Remotion 自动添加字幕 → 人工确认最终成片下一步很明确：用LongCat-Video-Avatar 1.5 替代 HeyGen 的方案，把人物视频生成这笔费用也压下来。让花费$0 也能做数字人。成品效果见视频。

2026.07.31 12:18

最近中文推里，@Zesee 的数字人skill 太火了如果你也想使用这个Skill, 算了一遍成本才发现，从声音克隆、配音到人物视频生成，每一层都在收费。10 秒视频要花 $1 左右。本着独立开发者精神，能省则省的思路。我就在想有没有本机部署模型的平替方案？今天花了 4 个小时，总算找到了。声音部分：改成本地运行 Qwen3-TTS 模型，用一段自己的录音生成后续口播 wav文件。视频目前仍然使用 HeyGen：但我已经找到代替方案 LongCat-Video-Avatar 1.5 模型（待测试）。我发现在调用 HeyGen 花$0.6 后，生成的口播视频，缺少字幕，这就成了半成品。无意中发现好友 @Jasper_Wei1 的 JPW-Live-Cut 给了我新的启发。我复用了他的 Remotion 字幕思路，单独做了一条本地字幕流水线，让它支持任意长度的普通口播视频。现在整条流程已经变成：本人参考声音 → 本地 Qwen3-TTS 生成口播 → 本地 ASR 检查 → HeyGen 生成人物视频 → Remotion 自动添加字幕 → 人工确认最终成片下一步很明确：用LongCat-Video-Avatar 1.5 替代 HeyGen 的方案，把人物视频生成这笔费用也压下来。让花费$0 也能做数字人。成品效果见视频。

114

커뮤니티로 전달