做数字人，最容易犯的错是去找一个一体化工具，指望从选题到成片一把梭。用一阵子一定会出岔子。 因为一条数字人口播视频，其实只有五个位置：形象、声音、口型、内容、环境。五个位置互相独立，每个都可以单独换。 前三个让你「有一个数字人」。后两个才让它变成一条能发出去的营销视频。 绝大多数人的力气花在前三个上。卡住他们的，是后两个。 @MinLiBuilds 这篇把这件事拆到能下手。他自己先手搓了一条全本地链路：手机拍 30 秒素材当脸，VoiceBox 里跑 Qwen TTS 复刻自己的声音，再用 MuseTalk 把嘴逐帧重画，让口型和音频对上。脸是自己的，声音是自己的，稿子不用传给任何第三方。只做一个账号、量也不大，看到这里已经够用。 可真要做营销，这条链路会立刻露出四个洞：画面里只有人没有物，口型模型对姿势和构图很挑，没有环境也没有环境音，最要命的是——拍什么才能爆，它完全不管。 所以他后面把中间大半截换成了 Seedance 音画同出。给一张定妆参考图、一段描述，模型和声音一起吐出来。产品能进画面，构图不再被口型模型绑死，环境那一格也终于有东西填。他还从抖音里扒到一个词：ASMR。翻纸、脚步、杯子放下、室内那种说不清但确实存在的空气感，TTS 给不了，素材库也很难跟画面对上点。填满第五个位置的，不是语音模型，是视频模型。 但音画同出有一笔账必须先算清。它发挥空间太大，很难让它一字不差念完你的稿。产品名、价格、活动截止时间，念错一个字，这条就废。 所以本地那条他没删。两条是这么分工的： 要氛围、要环境、画面里要有产品：走 Seedance，一步到位。 逐字必须准，或者稿子不方便传出去：回本地，牺牲效果换可控。 别指望同时拿满。想清楚这一条视频要哪一头，比调参数重要。 还有一层比出片更值钱。选题不再沉进收藏夹，进一张每天自动变长的表；人设不再每次从零生成，先定妆，再做成主播库，换衣服换场景变成一次挑选。一条视频做完就结束了，一张表做完才刚开始。定妆卡沉淀成主播库，收藏夹沉淀成选题库，这两件事的收益是复利的。 本地负责可控，云端负责效果，表负责积累。数字人不是一个工具，是五个可以分开换的零件。