口播辅助创作台 · 云端版

做口播视频的人,最后都会遇到同一个分岔:要么用「一键生成」工具——快,但出来的是千篇一律的流水线货;要么全手工——质量在自己手里,但选题、查资料、写稿、配音、剪辑全流程自扛。

这个工具选了第三条路:把一条口播视频拆成五个环节,AI 负责苦力,你负责拍板。

流程:① 选题 → ② 深度调研 → ③ 统一成稿 → ④ 分段合成 TTS → ⑤ 数字人视频 + 自动剪辑

每个环节都有明确的「确认」动作(比如「资料我已审核,传递给下一个环节使用」)——确认权始终在你手里。AI 是助手,你是导演。

这是实际界面(本机实拍,五环节标签页 + 数字人工作台):

口播辅助创作台主界面:五环节流水线

它是怎么做的

单文件 FastAPI:全部后端 + 内嵌前端在一个 app.py 里,解压即跑,浏览器打开 http://127.0.0.1:8795;
选题/调研/成稿:LLM 驱动(任意 OpenAI 兼容接口,推荐 DeepSeek),提示词技能放在 skills\ 目录,可自行增删——想改选题口味,改 .md 就行;
云端 TTS + 数字人:走 RunningHub,本机无需显卡;支持音色克隆(传参考音频 + 对应文本),不传用内置音色;
自动排队:RunningHub 不支持多线并行时,超并发任务自动排队,前一个完成自动续交(421 并发限制下等待重试,不会误标失败);
HyperFrames 精剪:第五环节的包装用 HyperFrames 组件货架,我适配了 40+ 中文包装组件(标题/字幕/氛围/信息条/转场/片尾/数据/对比/清单),支持 AI 选配、版本回退、按反馈重剪。

① 「确认权」的流程设计。五环节最容易做成黑盒一键流,这里的每个环节产物都必须人工点确认才会流入下一步——资料的去留、稿件的取舍、音色与形象的审美,全部显式交还给用户。这不只是 UI 设计,是整个数据流的结构(环节产物按项目归档,projects\ 目录即全部现场)。

② 30~40 字语义分段。TTS 分段不是按字数硬切,而是标点优先的语义分段:每段 30~40 字,在标点处断句,长句拆短句。这直接决定数字人口播的节奏感——段太长出错率高,段太碎语气断裂。

③ 形象图拖拽绑定。数字人工作台支持形象图库:拖动小图到任意段落卡上即可绑定「这一段用这个形象」;未绑定的段落用默认形象图。批量生成时自动排队、即产即存(视频原链接 24 小时过期,所以完成即下载进项目)。

④ 421 并发陷阱。云端服务有并发上限,超限返回 421。粗暴处理会把任务误标为「失败」;这里做成了排队语义:识别 421 → 等待重试 → 前一个任务完成自动续交,整批任务无人值守跑完。

⑤ 渲染零联网。精剪依赖的 GSAP 动画库以本地副本随包分发(vendor/gsap.min.js),HyperFrames 首次运行联网下载后缓存——包装渲染过程不依赖外网。

⑥ 一只猫的彩蛋工程。任务运行时,页面留白处会蹲一只 Live2D 黑猫(hijiki)陪你干活;流程没走对(还没建项目/没填 Key)时,它会冒出来用气泡一步步提醒你。这只猫后来还被复制到了本站——文章页右下角那只就是它(见《彩蛋:黑猫 hijiki 移植记》文末说明)。

方式一 · 完整包(推荐,零依赖):到 Releases 下载 zip,解压双击 koubo-studio-cloud.exe——已内置 FFmpeg、Node.js 与全部运行库。

方式二 · 源码运行:

pip install fastapi "uvicorn[standard]" httpx numpy
python -m uvicorn app:app --host 127.0.0.1 --port 8795

(需自备 FFmpeg 与 Node.js)

首次运行后,到「⚙ 设置」填两样:

配置	用途
LLM API Key	选题/调研/成稿(推荐 DeepSeek:`https://api.deepseek.com` + `deepseek-flash`)
RunningHub API Key	云端 TTS + 数字人视频共用

然后按 ①→⑤ 走:新建项目 → 灵感收集 → 确认资料 → 调研取证 → 确认 → 成稿 → 分段合成试听筛选 → 数字人工作台一键生成 → 自动粗剪 + HyperFrames 精剪。