音视频一起出这件事，对口播的影响比我原先估的大。以前一条口播得先出画面再回头对口型，中间那道工序又慢又容易穿帮，现在模型把声音和画面一并吐出来，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。
口播现在大致就四条路：不露脸；嘴唇模型，分本地和线上；专属数字人模型；再就是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。音视频同出之后我准备把最后这块补上，看多段接下来人还撑不撑得住。
1 个赞
音视频同出最大的意义是省掉对口型，光这一步就够换方案了
本地跑对显存要求应该不低吧，有跑起来的说说配置
四条路里现在还是专属数字人模型最稳，视频模型的一致性差口气
这么卷吗 
口播到最后拼的还是稿子，工序省下来只是让烂稿出得更快 