课程视频数字人讲师

解决什么问题

做口播课程视频时，常见瓶颈不是文案，而是把“讲稿、讲师形象、声音授权、分段视频”串成稳定流程。课程团队往往有固定讲师人像和逐课讲稿，但每讲音频长度不同、术语读音不一致、视频模型只接受特定图片和音频格式。本技能面向这种场景：用一张获权讲师人像和最终讲稿，生成按课次顺序交付的数字人口播课视频。

技能如何工作

• 输入冻结：先确认人像 MIME 类型、尺寸、字节大小、画幅、alpha 通道，并建立课次台账。讲稿、声音权利和术语读音表必须明确；若讲稿含反复出现的人名、术语或缩写，却没有读音表，流程会停下来收集读法。
• 声音选择：可选用目录声音，或在获得同意和余额确认后克隆声音。克隆调用会先进入确认卡，冻结 voice_id 后再进入后续阶段。
• 配音与视频兼容检查：技能会查询 TTS 与 image_to_video 的模型能力，比较真实音频的 mime_type、时长和大小是否可被视频路线接受，并在句或节边界把讲稿拆成可容纳分段。
• 逐讲交付：每段音频确认后才进入视频生成，视频时长选择“不短于真实语音长度的最小受支持整数时长”，最后按课次和分段顺序交付，并附真实尺寸、时长与用量。

适用边界

它不做音频课包，不做单条讲述者短片，也不解析 PPT 或幻灯片。只有当用户已经抽出可说文本时，课件内容才可进入讲稿。涉及形象、声音和计费授权时必须先确认；媒体格式不兼容或余额不足时，流程会停在付费调用前，而不是静默改格式或猜结果。