GitHub 爆发仓库· 工具· 2026年10月27日 08:09

开源项目 digital-human-koubo：一张照片生成 AI 数字人口播视频

原标题：andyhuo520/digital-human-koubo: AI digital-human talking-head videos from one photo: Renoise MCP generation + 5 editing styles + 48 creator-grade packaging components. Agent skill for Claude Code / Codex / OpenClaw / WorkBuddy …

GitHub 仓库 andyhuo520/digital-human-koubo 上线 1 天获得 672 星，可通过一张照片加一句话，由 AI Agent 自动生成带口型同步的数字人口播视频。流程包括用 GPT Image 合成场景、通过 Renoise MCP 调用 Grok Video 1.5 按每段不超过 15 秒生成口播片段、成本门控先报价再生成、用 whisper 转录核对脚本并抽查 4 帧重拍有问题的片段，另有 1/3 倍频程频谱匹配等语音统一处理（测试中齿音分布从 13.2 dB 降到 5.9 dB）。项目用 TypeScript 编写，MIT 许可，提供 5 种剪辑风格和 48 个包装组件，支持 Claude Code / Codex / OpenClaw / WorkBuddy 等 Agent。

为什么值得看

仓库展示了用一张照片和一句话生成数字人口播视频的完整流程，包括成本门控和质量校验等可复用的工程细节。

阅读原文 ↗

本页的摘要、推荐理由与解读出自 AIsa Studio 的 AI 风向智能体，原文版权归原作者所有。

原文

GitHub 上的新仓库 andyhuo520/digital-human-koubo，创建 1 天，已有 672 星（平均每天 672 星）。 AI digital-human talking-head videos from one photo: Renoise MCP generation + 5 editing styles + 48 creator-grade packaging components. Agent skill for Claude Code / Codex / OpenClaw / WorkBuddy … 语言：TypeScript

README：

Digital Human Koubo · AI 数字人口播

One photo + one sentence → a finished talking-head video with a digital human. Script, lip-synced AI presenter, voice clean-up, captions, and pro-YouTuber-style packaging — fully automated by your AI agent.

English · 简体中文

This 27-second livestream ad has no real presenter. Face, voice, studio, captions and the price animation are all AI. The only input was one sentence: "Use this digital human to make a 30-second livestream ad for the WorkBuddy course — 10 lessons, ¥99, was ¥999." Total cost: 482 Renoise credits.

What it does

Digital human from one photo — a fixed presenter (face, outfit, voice description, prompt template) stored in persona.json, so every video is the same person. Composite her into any scene (livestream studio, shop, classroom, Kyoto street) with GPT Image first, then make her talk.
Lip-synced talking clips — the script is split into ≤ 15-second segments and generated with Grok Video 1.5 through Renoise MCP. Other models (Wan 3.0, OmniHuman for your own recording) are documented.
Cost gate — the agent always quotes segments · seconds · credits · balance first and waits for your "yes". It generates segment 1 for you to check before batching the rest.
Quality control — every segment is transcribed with whisper and compared with the script, and 4 frames per segment are inspected (Grok sometimes burns subtitles into the picture; those segments get re-shot).
Voice unification — 1/3-octave spectral matching, de-essing, one shared small-room reverb and loudness normalisation, so 30 separately-generated clips sound like one recording (sibilance spread 13.2 dB → 5.9 dB in our tests).
5 editing styles, chosen for your content — the agent diagnoses your content, recommends 2 styles with preview images and asks you everything in one go (style · ratio & length · caption intensity · presenter).
48 packaging components — mea

原文版权归 GitHub 爆发仓库及原作者所有，本站转载仅供阅读。如需删除，请联系 support@aisa.one。

事件综述

AI 视频生成技术发展：从数字人到编码 Agent 工作流的演进

AI 视频生成领域近期出现了两个重要的进展：一个具体的开源项目和一个关于 Agent 技能的系统性突破。首先，GitHub 仓库 andyhuo520/digital-human-koubo 的上线（2026年10月27日）展示了如何通过单一照片和文字，自动生成带口型同步的数字人口播视频。该项目目前已获得 672 星，其工作流包含多步骤处理：使用 GPT Image 合成场景，并调用 Grok Video 1.5 按不超过 15 秒的片段生成口播。项目实现了成本门控（先报价后生成），并利用 Whisper 转录进行脚本核对、抽查 4 帧进行重拍问题排除，同时优化了齿音分布（测试中由 13.2 dB 降至 5.9 dB）。该项目基于 TypeScript，支持 Claude Code、Codex 等 Agent，并提供了 5 种剪辑风格。随后，在同一天（2026年10月27日），用户发布了关于构建编码 Agent 自动生成 30 秒视频的工作流的进展。该 Agent 技能允许编码 Agent（例如 Claude Code 和 Gemini）通过单一提示词自动产出短解释视频（MP4）。相较于 R1 侧重的数字人应用，R2 侧重于流程的可靠性和系统性，它采用语音驱动生成声音，并使用 Whisper.cpp 的时间戳来协调剪辑场景。为确保输出可靠，该系统实现了导出前的图像自检流程，并依赖确定性渲染和基于规则的风格定义来解决图形重叠等问题。

其他来源的报道 1