Agent Skill

AI数字人口播与虚拟主播视频

用一张人像和一段短脚本或语音,制作有明确讲述内容的数字人口播视频。可使用现成录音,也可以先选择音色,把脚本生成旁白,让画面中的人物随声音完成稳定、自然的口播。适合 AI 主播、虚拟主播视频、数字人讲解、让照片说话、照片说话视频、产品讲解视频、数字人培训视频、公告和社交口播,并在交付后检查人物一致性、声音清晰度、口型同步和动作稳定性。也适合两分钟以内的课程讲解短片。

设计多媒体·beatra·来自 skill_hub·skillhub.cn ↗
skillhub install @beatra-ai/talking-avatar-video
44 Stars·61.3万 综合热度·5,395 字文档·源站更新 2026-11-22

README 文档

5,395 字

数字人口播视频(Talking Avatar Video)

使用本 Skill 将一张人像和一段文稿(先转为语音)或用户提供的语音录音,制作为一条完整的数字人口播视频。文稿超过一个片段能装下的长度时,会拆成几个片段,拼接成一条最长约两分钟的视频;更长的文稿会按顺序做成几条拼接好的视频。

交付内容

  • 一条基于确认人像与口播音轨生成的数字人口播 MP4 视频。文稿需要不止一段片段时,这些片段会拼接成这一条 MP4(最长约两分钟;更长的文稿按顺序做成几条拼接好的视频,并在首次扣费前说明共几条)。
  • 通过 Beatra 合成旁白时,免费随附与成片对齐的字幕文件(JSON、SRT 和 VTT)。
  • 执行前的简短规划(文稿分段、片段数量与整单报价)及渲染交付后的质量检查(人物一致性、口型同步、清晰度与动作稳定性)。
  • 可把人像保存为可复用的形象,下一条视频无需重新上传。

制作方式

  • 人像 + 文稿:按需先用智能语音导演(beatra.speech.prepare_script,可选付费导演步骤)编排节奏,通过 beatra.voices.preview 免费试听音色,通过 beatra.speech.validate 免费预检时长,随后合成带免费 SRT/VTT 字幕的旁白(beatra.speech.synthesize),驱动人像口播(beatra.videos.animate),并把多段片段拼接成一条视频(beatra.videos.compose)。
  • 人像 + 现成录音:上传用户已授权音频(beatra.assets.upload),生成前核对时长/格式/大小是否符合实时 imagetovideo 卡片上限,再驱动人像出片(beatra.videos.animate)。
  • 已保存形象:先免费调用 beatra.avatars.list。账户里有已保存形象时,优先提供该形象(及其搭配音色),不再要求上传新人像。

连接就绪之前

必须严格通过随包 scripts/mcpclient.py 调用 Beatra(仅使用 scripts/mcpclient.py tools 列出的工具)。禁止配置、调用或使用宿主 Beatra Connector,也不要使用 REST/OpenAPI 作为回退。连接排障见随包 MCP Client 连接诊断(references/mcp-connection.md),语音共用指南见语音、音色与音频处理(references/speech-and-audio.md),扣费恢复见账单错误与恢复(references/billing-errors-and-recovery.md),断开授权见卸载与断开连接(references/uninstall-and-disconnect.md)。

首次运行若授权仍在等待用户批准,同一轮内最多执行两次认证检查;先交付无需连接即可完成的文稿草稿、停顿建议与取景构图提示,等用户点「允许」回复后再继续。

必要输入与授权门禁

发起任何付费工具前务必核对收集:

  1. 人像素材:beatra.avatars.list 中的已保存形象,或一张清晰正面或微侧人像静帧照片,获授权后通过 beatra.assets.upload 上传。
  2. 讲述来源:一段文稿(scripttext 及语气/语种/节奏说明),或一段清晰的纯单人录音音轨(speechaudio_ref)。
  3. 明确权利声明:确认客户拥有或已获人像肖像权与声音/录音的可核验授权,且视频绝不用于冒充他人、欺诈、误导或违法用途。若缺乏授权或必要素材,一律停在付费合成或生成之前。

只在缺少上述内容时,用一条简短消息一次问清;不要夹带无关问题。

交付为一个文件

这次制作需要不止一段片段时,交付物是拼接好的一个文件,而不是各个分段。首次付费调用前先阅读交付一个文件(references/deliver-one-file.md)。制作需要超过 3 次付费调用,或一类付费调用会引出另一类(先旁白,再视频)时,先阅读整单报价(references/price-a-whole-job.md)。

数字人时长关键工作流

严格按以下顺序推进,避免先花积分合成声音或视频却超出数字人片段时长上限:

  1. 先查实时模型上限与单价(beatra.models.list):
  • 优先查 {"capability": "imagetovideo"} 读取支持模型、单段 maxduration / 整秒上限、drivingaudio 支持的 MIME/时长/大小规则以及实时积分单价。
  • 只有卡片列出 driving_audio 的模型才能按语音音轨对口型。保持 model: "auto"(会自动路由到这类模型),或指定其中一个模型;不要因为某张卡片排在列表第一位就指定它。
  • 若使用智能语音导演请查询 {"capability": "speechscript"},查询 {"capability": "texttospeech"} 获取旁白定价;需要拼接时再查询 {"capability": "videocompose"}。
  1. 免费浏览与试听音色(beatra.voices.list + beatra.voices.preview):
  • 浏览预置声线(beatra.voices.list 支持双语 search 与能力标签筛选)。
  • 免费调用 beatra.voices.preview 获取试听链接 preview_url 让客户试听定音,未定音前不起付费合成。
  1. 用「智能语音导演」规划节奏(beatra.speech.prepare_script,付费,可选):
  • 文稿需要停顿设计、语气重音、读音提示或情绪起伏时,把它列入计划。它是整单制作确认卡上的一项付费内容,每段一次调用,按 {"capability": "speech_script"} 的实时价格计;只有这张卡确认之后才运行(第 6 步),最多 2 个并发任务。
  • 查看返回的 directed 与 scripts[](synthesis、summary、voiceselection、alternatives、estimate、warnings);若 synthesis 为 null,先按 warnings 排查处理再推进,否则原样传入 scripts[].synthesis(并配新 clientrequest_id)调用 beatra.speech.synthesize。
  • 原词保真:智能语音导演在不篡改客户原本台词的前提下编排停顿与标注;严禁在提示词或文案中手写带花括号的演播标签。
  • 48 小时内复用规则:48 小时内仅对同一未改文字、指令与上下文换试另一个音色时,用相同参数再次调用 beatra.speech.prepare_script(仅改动 voice 及必要时 model)即按不额外扣费方式复用(余额须满足初始估算与并发上限);全新导演运行一律不可说成免费。
  1. 拆分文稿,并在付费前先做免费时长预检(beatra.speech.validate):
  • 务必先调用 beatra.speech.validate(免费,不传 clientrequestid),传入目标 voice、该段的 input(出卡前用原文分段预检;运行过智能语音导演时,合成前再用整理后的分段预检一次)、model、format(按满足 imagetovideo driving_audio 约束选取)及语速控制项。
  • estimateddurationseconds 不了解所选音色自身的语速,上下可能偏差约四分之一。每一段都按不超过实时单段上限约 80% 来规划。
  • 整段文稿装不进一段时,在句末拆成若干段,每段都要装得下,保留客户写的每一个字,并逐段预检。使用智能语音导演时,先拆分原文,再逐段整理,这样每一段整理结果都能原样送去合成。不要为了装下而删减客户的文稿;只有客户要求更短的视频时才提出删减建议。
  1. 首次付费前,为整单确认一张制作确认卡:
  • 只要有旁白加视频,或不止一段片段,就按整单报价(references/price-a-whole-job.md)执行,让视频价格在为旁白付费之前就已知。使用 beatra.models.list 与 beatra.speech.validate 返回的实时数字简明出示 6 项;整单报价时读取一次 beatra.wallet.get,客户说已充值后再读取一次(这会解除随包客户端的余额拦截),其余情况仅在用户询问余额时读取,beatra.wallet.ledger 仅在用户询问扣费时读取:
  • 做什么:能力链路(如计划使用智能语音导演则每段一次、N 段旁白、N 段数字人片段、一次拼接)、音色与模型选择、分辨率与预计总时长。
  • 积分:每一行的实时报价及预计总额(绝不猜测或硬编码积分)。
  • 几笔:计划中的付费调用确切次数。
  • 身份:每次付费调用在该调用参数定稿后生成全新 clientrequestid,记在你自己的笔记里;绝不向客户展示原始 ID(仅在请求超时状态不明且参数完全未改时复用原 ID 重试)。
  • 若就此停手:说明停在这里时用户已握有的成果(试听音色、预检报价,或已完成的整理文稿、音频与片段)仍可留存使用,不额外扣费;若为首笔付费则明言尚未扣费。
  • 若余额不足:遇 insufficientbalance 时,用客户的语言转述 Beatra 返回的官方提示,充值链接原样保留,等用户明确充值后,先读取一次 beatra.wallet.get,再以同一个 clientrequest_id 重试。
  1. 合成配音并获取免费 SRT/VTT 字幕(beatra.speech.synthesize):
  • 卡上包含智能语音导演时,先逐段调用 beatra.speech.prepare_script,再免费预检每一段整理结果,并原样传入它的 scripts[].synthesis。
  • 保持 subtitleenable: true(默认),不收额外字幕费即可连同成片一起收回免费的 output.subtitles(files.json、files.srt、files.vtt)、speechstartseconds、speechendseconds、integratedloudnesslufs 与实测 durationseconds。
  • 核对实测音频 MIME、实际 durationseconds 与文件 sizebytes 满足 driving_audio 限制后,再推进 beatra.videos.animate。若某一段超出单段上限,只把这一段在句末再拆开,并在重新合成前先询问;绝不为装不下这段音频的视频片段付费。
  1. 逐段驱动人像与成片复核(beatra.videos.animate):
  • 每段提交一次 beatra.videos.animate(传入人像、该段语音 artifactid、选定模型、克制的镜头动作描述、匹配卡片整秒数 duration 与专属 clientrequest_id)。同时进行的任务数不超过账户的并发上限。
  • 用 beatra.tasks.get 轮询(回执丢失时先经 beatra.tasks.list 对账)。
  • 不止一段片段时,按交付一个文件(references/deliver-one-file.md)拼接:片段按文稿顺序排列,keep_audio: true,每段剪到其语音结束处,但绝不超过该片段自身长度。
  • 先交付这一条视频,再交付整条视频共用的一份 .srt 和一份 .vtt(字幕时间按交付一个文件(references/deliver-one-file.md)平移),用平实的话说明格式、时长、大小和扣了多少积分。若动画阶段失败,直接复用已完成旁白音频而不必重新花钱配音。
  1. 主动提出保存形象(beatra.avatars.save,免费):
  • 客户对用新人像做出的结果满意后,主动提出一次为它命名保存,下一条视频就不必再上传。只有客户同意并确认人像授权声明(consentattested: true,consentsubject:"self" 或 "authorizedother")后才保存;有已确认的音色时一并搭配 voiceid;只有客户要求或尚无已保存形象时才设为默认。

可复制 JSON 请求模板、素材核查与排障路径见工作流与请求模板(references/workflow.md)。

更新与安全

本 Skill 会自动更新。内置客户端每天最多一次从 Beatra 官网读取本渠道的版本信息 (中国大陆网络走 www.beatra.cn 与 cdn.beatra.cn)。有新版本时,它下载官方发布包, 逐个文件校验 SHA-256,再替换本 Skill 自己的文件;你放进这个目录的其他文件不会被 改动。替换过程中断时,下次运行会自动恢复到替换前的状态。除此之外,它不下载或执行 任何其他代码,只通过 HTTPS 与 Beatra 官方服务通信;你选择上传的文件只会传到 Beatra 为这次上传签发的一次性地址。

关闭自动更新:python3 scripts/mcp_client.py update --auto off。关闭后,客户端每天 最多提示一次在你安装它的商店里更新的命令。详见更新与安全(references/updates-and-security.md)。

同分类其他技能

查看全部 ›