左海有个洲

最近中文推里，Rachel🥥 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 Wei 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。

19,480 次观看