昨天发了一条数字人讲 FDE 的口播视频，很多人的第一反应不是问我用了哪个工具，不相信这是数字人。我把整条数字人口播流程做成了一个可以复用的 Codex Skill。
GitHub 仓库：https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production
我的最终工作流是：
素材检查 → MiniMax 生成配音 → HeyGen 15 秒样片 → 人工确认 → HeyGen 完整版 → 下载验片 → 状态归档
这套方案适合知识口播、短视频批量生产、课程讲解、产品介绍、多语言内容和固定 IP 数字人账号。
一、整条链路怎么分工
这套方案的核心，是把声音和画面拆开。
-
MiniMax：负责声音克隆和 TTS。
-
HeyGen：负责人像驱动、口型、表情和动作。
-
Codex：负责检查素材、调用流程、记录状态、控制风险。
完整链路是：
-
准备真人录音，用 MiniMax 海外版克隆声音。
-
把文案交给 MiniMax TTS，生成克隆音色的 MP3。
-
准备一张清晰正面人像。
-
把人像和 MiniMax 生成的 MP3 上传到 HeyGen。
-
先生成 15 秒样片，确认后再生成完整视频。
这里最容易犯的错是：声音已经由 MiniMax 克隆完成，却又让 HeyGen 重新配音。
如果目标是保留 MiniMax 的克隆音色，就应该把 MiniMax 生成的音频上传到 HeyGen，用这个音频驱动画面。不要切回 HeyGen 的 script + voice_id 方案，否则声音相似度会被覆盖。
二、HeyGen和 Minimax 模式怎么选
第一次操作，建议直接用 Image-to-Video，调用api key即可，一次2min的视频大约消耗2刀。
它比较轻：不用一开始就训练 Avatar，只要上传一张人像和一段音频，就能快速看到口型、表情、脸部稳定性和构图是否可用。
我的建议：
-
单条测试：先用 Image-to-Video。
-
固定账号长期生产：再做 Photo Avatar。
-
没验证前不要急着训练 Avatar，测试阶段越轻越好。
再说 MiniMax，我的建议：
-
第一次测试：用海外版 Voice Clone 克隆声音，再用 TTS 生成 MP3。
-
追求质量：优先选
speech-2.8-hd。 -
追求速度和批量预览：可以用
speech-2.8-turbo先跑测试。
三、素材准备：不用复杂，但必须干净
声音克隆效果不好，很多时候不是模型不行，而是样本不干净。
MiniMax 当前官方要求里，声音样本需要满足：
-
格式：MP3、M4A 或 WAV。
-
时长：至少 10 秒，最多 5 分钟。
-
文件大小：不超过 20 MB。
-
可选提示音频：少于 8 秒，并且要提供与音频完全对应的文字。
实操里我更建议录 30 到 90 秒：单人、无背景音乐、无明显混响和电流声，音量稳定，语速接近日常口播，不要用过度降噪、变速或压缩严重的二手音频。
人像也一样，要干净：
-
正脸看镜头，五官无遮挡。
-
露出头、肩和上半身，人物占画面约 50% 到 70%。
-
嘴部清晰，不要被头发、手、滤镜遮挡。
-
竖屏短视频优先用 9:16 或接近 9:16 的图片。
-
HeyGen Assets API 支持 PNG、JPEG 图片；普通素材上传单文件上限为 32 MB。
嘴部越清晰，口型越稳定；声音越干净，克隆越像本人。
四、怎么放进 Codex 执行
我会把每个数字人项目都按同一个目录结构放：
```markdown
project/
├── inputs/
│ ├── portrait.jpg
│ ├── voice-source.mp3
│ └── script.md
├── work/
│ ├── voiceover-full.mp3
│ ├── preview-15s.mp3
│ └── job-state.json
└── outputs/
├── preview-15s.mp4
└── final-1080p.mp4
```然后对 Codex 说：
请用 MiniMax 海外版声音克隆和 HeyGen API 制作数字人口播。
输入：
- 文案：inputs/script.md
- 人像：inputs/portrait.jpg
- 声音样本：inputs/voice-source.mp3
- MiniMax 密钥来自环境变量 MINIMAX_API_KEY
- HeyGen 密钥来自环境变量 HEYGEN_API_KEY
流程：
1. 先检查素材。
2. 先生成 15 秒样片。
3. 样片确认后再生成完整版。
4. 所有任务 ID 写入 work/job-state.json。
5. 不要在日志、脚本或文档中显示完整密钥。
这一步的重点是标准化。
你不需要相信自己每次都记得所有细节。你只需要把正确流程写进 Skill，让 Codex 每次按流程执行。
## 五. 这个 Skill 固定了什么
仓库地址：
<https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production>
调用方式：
```text
用 $rachel-digital-human-production 做这条视频，先只做 15 秒样片。
它固定了：
- 固定目录结构。
- 先检查文案、人像和声音样本。
- MiniMax 负责声音，HeyGen 负责画面。
- 永远先生成 15 秒样片。
- 样片没有明确确认，不生成完整版。
- 每一步记录 `voice_id`、`asset_id`、`video_id` 和状态。
- 失败不盲目重试，避免重复扣费。
- 最终 MP4 必须完整检查。
- 不把 API Key、授权 header、临时下载链接写进日志或状态文件。
## 六、小tips
数字人视频最容易踩坑的地方，是成片不自然。
常见问题包括：声音不像本人、中文口型跟不上、脸部轻微变形、嘴角和下巴运动奇怪、眨眼和肩部动作不自然、构图不适合短视频平台。
所以我把“15 秒样片”写成强制步骤。先用 15 秒确认声音、口型、画面和构图。确认没问题，再跑完整视频。
相关链接：
- GitHub 仓库：<https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production>
- MiniMax Voice Clone 官方文档：<https://platform.minimax.io/docs/guides/speech-voice-clone>
- HeyGen Image to Video 官方文档：<https://developers.heygen.com/image-to-video>
- HeyGen Assets 官方文档：<https://developers.heygen.com/assets>
> 本文是对公开笔记的知识化整理；原帖中的收入、流量、效果等数据属于原帖陈述，未作独立验证。
来源：<https://x.com/Zesee/status/2077723280534851786>