免责声明：本站部分 Skill 来源于公开渠道，使用前请注意识别相关风险，内容版权归原作者所有，如 Skill 涉及版权问题，请在线反馈，核实后予以下架处理。
本 Skill 是抖音短视频生产流水线的下游渲染层，专职将中游优化完成的口播脚本转化为可直接发布的成品视频。核心工作围绕两层解耦架构展开：配音层提供百炼声音克隆、GPT-SoVITS、VoxCPM2、CosyVoice 及 edge-tts 五种方案，统一通过 dub() 接口输出归一化的 48k/16bit 音频；渲染通道层提供剪映混剪、Remotion 程序化合成、ffmpeg 本地合成、数字人驱动及 HyperFrames 开源渲染五种后端，统一通过 render() 接口输出带 AI 标识埋点的成片。两层正交组合可覆盖 16 种出片路径，其中 edge-tts + HyperFrames 构成零成本免费直出通道，无需 API Key 与云费用即可快速产出 9:16 竖屏视频。包内嵌完整的 conda 部署命令、可运行推理脚本、字符清洗与时长对齐的防坑指南，以及从中游 handoff 到成片交付的字段协议，支持单机离线、批量流水线与国产合规部署三种生产模式。
SKILL.md（本文件）：技能主说明，含统一接口契约 dub() / render()、端到端调用示例、输入输出字段协议、质量门与 AI 标识埋点规范references/dubbing-methods.md：五种配音方案的详细部署范式、conda 环境配置、推理 CLI 示例、字符清洗脚本、时长对齐策略及成本对比references/render-channels.md：五种渲染通道的接入方式、分辨率与画幅控制、剪映/Remotion/ffmpeg/数字人/HyperFrames 的具体调用参数references/digital-human-training.md：数字人通道的模型训练、口型同步、与配音层 alignment 时间戳对齐的实操细节dub() 接口自动归一化输出render() 接口输出带埋点成片| 用户怎么说 | 本技能做什么 |
|---|---|
| "用 CosyVoice 给这段脚本配音，走剪映混剪出 9:16 竖屏" | 调用 dub(method="cosyvoice") 生成情感可控音频，再经 render(channel="jianying") 输出 1080×1920 成片，自动叠加 AI 标识 |
| "零成本快速出片，不要 API Key" | 走 Path B：dub(method="edge_tts") 免费合成带字幕对齐的音频，render(channel="hyperframes") 渲染为 MP4，全程零云费 |
| "我要数字人出镜，口型要对准配音" | 启用 render(channel="digital_human")，消费 dub() 返回的逐字符 alignment 时间戳驱动口型同步，输出数字人讲解视频 |
| "批量生产 100 条同人设视频，离线环境" | 固定 GPT-SoVITS 微调音色锁死 speaker，conda 环境隔离批量推理，ffmpeg 通道本地合成，无需外网 |
| "上游已经给了分镜和脚本，直接出片" | 接收 optimized_script + shot_plan + dubbing_method + render_channel 字段，引擎自动完成配音→渲染→埋点→交付全流程 |