这几天把手上几个开源模型串了一遍，按折腾的顺序记一下。
先是配音。IndexTTS-2.5 只有 0.8B，音色克隆、情绪、语速、读音都能单独控。以前做一条短片，配音这段得另外找人，现在基本不用再外求。
接着是角色驱动，交给 Wan2.2-Animate。一张角色图就能复刻真人的动作和表情，也能把视频里的人整个替换掉，做口播很顺手，我自己 K 动作那一步直接省掉了。
卡得最久的是音画同步。以前都是剪完再回头补对不上的地方，返工碎得很难排期，而且一条片补完一处往往又晃出另一处。NAVA 是 6.3B 的原生音画模型，声音和画面在同一个模型里出来，所以不用我在后面对齐；FP8 大概占 18GB，24GB 卡能出 720p，我把这一环整个交给它兜住，前面 TTS 和 Animate 就不用去迁就口型。
收尾用 LTX-2.5，原生支持多镜头，配了 9 套 ComfyUI 工作流。要提醒一句，16GB 显存只是启动线，真要精修还得往上堆，照最低配估预算会被坑。
顺序最后定成 TTS 出声 → Animate 驱动角色 → NAVA 做同步 → LTX 多镜头精修。之所以把配音放最前面，是因为声音一定下来，后面角色的动作节奏和镜头切点才有东西可对，反过来先出画再配音就得来回改。每段只管一件事，哪段不满意单独换掉就行，不用整条推倒。加上前面 H3 把开源视频这块带起来，这边总算不只是产五秒素材了。权重和工作流去 huggingface.co 翻。