口播的路子要重排了，而且比我原先估的影响大。
关键变化只有一条：声音和画面现在能一并吐出来。以前一条口播得先出画面，再回头对口型，这道工序又慢又容易穿帮，嘴型和音节差一点观众立刻看得出来。两步并成一步，最容易出事的那段没了，链路直接短一截。Minimax 的 H3 有能本地跑的版本，短剧那边先动起来了，看架势是奔着量产去的。
顺着这个再看现在的四条路：
- 不露脸
- 嘴唇模型，分本地和线上
- 专属数字人模型
- 直接上视频生成模型
前三条都算成熟，第四条一直卡在人物一致性上——单张好看不难，难的是一整条片子里这张脸始终是同一张脸。音视频同出之后我准备把最后这块补上，重点看多段接下来，人还撑不撑得住。
