https://blog.huoke.me/tags/%E6%95%B0%E5%AD%97%E4%BA%BA/Recent content in 数字人 on Huoke.Me - 跨境生活，从理财开始！HugocnMon, 10 Aug 2026 01:48:14 +0800https://blog.huoke.me/posts/digital-human/Mon, 10 Aug 2026 01:48:14 +0800https://blog.huoke.me/posts/digital-human/<blockquote> <p>🎯 一句话总结：把声音与画面拆开，MiniMax 负责克隆声音和生成配音，HeyGen 负责驱动人像，Codex 负责检查素材、控制生成顺序并记录任务状态。整条流程最重要的一步，是先做 15 秒样片，确认后再生成完整版。</p></blockquote> <hr> <h2 id="-整条链路怎么分工">📌 整条链路怎么分工</h2> <p><img src="https://blog.huoke.me/img/posts/digital-human/hero.webp" alt="数字人口播自动化流程" title="MiniMax、HeyGen 与 Codex 数字人口播自动化流程" loading="lazy" decoding="async" /> </p> <p>这套流程适合知识口播、课程讲解、产品介绍、多语言内容、短视频批量生产，以及需要长期维护固定形象的数字人账号。</p> <p>核心思路不是让一个平台包办所有环节，而是把声音和画面分开处理：</p> <table> <thead> <tr> <th>环节</th> <th>工具</th> <th>负责内容</th> </tr> </thead> <tbody> <tr> <td>声音</td> <td>MiniMax</td> <td>声音克隆、TTS 配音、输出 MP3</td> </tr> <tr> <td>画面</td> <td>HeyGen</td> <td>人像驱动、口型、表情、动作与视频生成</td> </tr> <tr> <td>流程</td> <td>Codex</td> <td>素材检查、API 调用、样片确认、状态记录与风险控制</td> </tr> </tbody> </table> <p>完整链路如下：</p> <ol> <li>检查文案、人像和声音样本。</li> <li>用 MiniMax 克隆声音并生成完整配音。</li> <li>截取配音前 15 秒，交给 HeyGen 生成竖屏样片。</li> <li>人工检查声音、口型、脸部稳定性和构图。</li> <li>样片确认后，再生成完整视频。</li> <li>下载成片并检查音画、时长和文件完整性。</li> <li>把 <code>voice_id</code>、<code>asset_id</code>、<code>video_id</code> 和任务状态写入状态文件。</li> </ol> <blockquote> <p>⚠️ MiniMax 已经生成配音后，应把这段音频直接上传给 HeyGen 驱动画面。不要再切回 HeyGen 的 <code>script + voice_id</code> 配音方式，否则最终声音可能不再是原来的克隆音色。</p></blockquote> <hr> <h2 id="-minimax-声音克隆怎么准备">🎙️ MiniMax 声音克隆怎么准备</h2> <p>声音克隆质量不好，很多时候不是模型的问题，而是样本里混入了背景音乐、混响、电流声或多人对话。</p> <p>MiniMax 当前支持的克隆样本要求如下：</p> <table> <thead> <tr> <th>项目</th> <th>要求</th> </tr> </thead> <tbody> <tr> <td>文件格式</td> <td>MP3、M4A、WAV</td> </tr> <tr> <td>样本时长</td> <td>10 秒至 5 分钟</td> </tr> <tr> <td>文件大小</td> <td>不超过 20 MB</td> </tr> <tr> <td>可选提示音频</td> <td>少于 8 秒，并提供完全对应的文字</td> </tr> </tbody> </table> <p>虽然 10 秒即可提交，实际录制建议控制在 30 至 90 秒：</p>