AI数字人口播与虚拟主播视频

要解决的具体问题

许多团队需要制作标准化的口播视频，例如产品讲解、培训课程或公司公告。传统流程涉及拍摄、剪辑和配音，步骤繁琐且周期长。核心挑战在于：如何安全合规地将一张静态人像和一份语音脚本转化为专业、连贯的动态讲述视频，同时确保肖像与声音的授权清晰，避免法律风险。

技能如何工作

本技能提供了一条聚焦的「数字人口播」工作流，其核心是用语音驱动人像的面部动作与口型，生成一条信息传达清晰的短片。它并非图片动画或简单的视频编辑，而是围绕一条完整信息进行设计。

关键步骤与组件包括：

• 输入硬性校验：必须提供可访问的人像（如 art_portrait）和已确认的语音或短脚本。脚本会先通过语音合成工具 beatra.speech.synthesize 转换为音频，生成可播放的 art_speech 产物。
• 能力与模型适配：在合成前，通过 beatra.models.list 查询并验证当前工具对 image_to_video 能力的支持情况，确保人像与音频的格式、尺寸、时长等约束匹配。语音模型默认为 auto，但可指定。
• 两阶段付费执行：旁白生成和视频生成是两个独立的付费阶段，各自拥有固定的 client_request_id。视频生成通过调用 beatra.videos.animate 完成，它接受人像作为首帧和驱动音频，输出口播视频。所有步骤都通过随包 MCP 客户端 scripts/mcp_client.py 与后端交互，不使用宿主 Connector。
• 结果交付与复核：任务通过 beatra.tasks.get 轮询直至完成。交付后需复核视频质量，包括人物身份一致性、语音清晰度、口型时序、动作克制度及背景稳定性。

适用边界与注意点

本技能适用于已有授权的人像与语音的组装场景，不适用于以下情况：

• 需要从零创建人像或克隆声音：请转向对应的图片生成或声音克隆工作流。
• 多场景复杂剪辑或字幕添加：请使用视频编辑工作流。
• 无肖像或声音授权：必须在确认授权后才可进行后续付费步骤，否则流程中止。

重要注意事项：

• 媒体文件约束：人像与音频需满足实时工具的格式、时长与尺寸要求。音频时长需在支持的视频时长范围内，否则需调整旁白或人像。
• 付费与修改：任何参数变更（如脚本、声音、模型）都会创建新的逻辑付费任务，需要新的批准。修改旁白会使引用它的未提交视频方案失效。
• 自动更新：技能包会静默检查更新，更新失败不影响当前功能，但不会重新触发付费操作。
• 交付限制：不要承诺精确保留所有细节（如 Logo、服装）或完美的口型同步，需在交付后客观复核偏移情况。