会说话的手绘人物视频

一张定妆图，派生出整套人物状态，让固定角色在画面里说话、眨眼、讲话时头和身体分开动。成本几乎为零（不用视频大模型），每期都是同一张脸，画面永不崩。

成品两种形态：

• 独立短片（15–60 秒竖屏，可直接发布或置顶）
• 叠加到已有视频（在片尾或某一屏的空档处弹出，讲几句引导话）

三条铁律，破一条就得返工

1. 不做 AI 对口型。 中文唇形同步在零点几秒内必穿帮，越做越假，比没有人还伤；这类模型还贵。走老动画的三态嘴型帧替换：闭 / 微张 / 大开，跟着配音的能量换。
2. 一张脸锁死。 每次派生状态帧都必须从同一张锚点图图生图，提示词写明"其他一个像素都不许动"。同一角色出现两套脸，观众一眼就乱。
3. 手不入画。 AI 画手必崩。定妆时就裁到胸口或让手在画外，后期任何姿态都不要试图让手入画。

流程

第 1 步 定妆：出锚点图

按 references/character-sheet.md 的提示词要素出 2 版候选给用户挑，挑定一版锁为锚点图，之后所有派生都从它来。图上不要有人造水印文字（工具自动加的"AI 生成"标识别裁，发布要标）。

第 2 步 派生状态帧

从锚点图图生图派生 4 张：闭嘴（基底）、微张、大开、闭眼。input_fidelity 取 0.95–0.96，提示词必须逐项列举"要保留什么"。

派生后整幅会有约 1.2% 的重绘差异，绝不能整张对切，只能按 ROI 局部贴。

统一命名放进 character/：shut.png、half.png、open.png、blink.png。

坐标在 1024×1536 基准图上量（references/character-sheet.md 有实测值和量法）。

第 3 步 配音

scripts/01_build_voice.py：edge-tts 逐句合成、ffmpeg 实测每句时长、写 配音时长.json。

时长必须实测，不能按字数估——后面每一帧的嘴型、字幕、姿态全靠它对齐。

台词语速压到 +6% 左右，句间留 0.26–0.30s 气口，开头 0.35s、结尾 0.55s。

第 4 步 合成

两条产线，脚本都在实战中跑通过，复制到工程目录后只改文件顶部的 CONFIG 常量（尺寸、坐标、摆位），逻辑别动：

关键技术分别在 references/motion-and-compose.md（形变与构图）和 references/tail-overlay.md（叠加、纸底、调色、拼接）。

第 5 步 验收

必须逐项过，别凭感觉说"好了"：

1. 帧间差自检——抽连续帧算灰度差，突变 >3 就是有抽搐（见 references/pitfalls.md 第 1 条）
2. 抽关键帧看图：嘴型三态、眨眼帧、人物边缘有无方块、字幕有无被裁
3. ffmpeg 查规格与音量：竖屏 1080×1920、时长、mean_volume / max_volume
4. 让用户在手机上播一遍听声音——音量滑块这类事故只有耳朵能验
5. 输出目录里只放一个能发的片子，旧版移进 旧版/

环境

pip install edge-tts pillow numpy
# ffmpeg：装系统 ffmpeg，或 pip install imageio-ffmpeg（脚本会自动找）

脚本不写死任何路径：TIV_ROOT 环境变量或脚本所在目录即工程目录。

工程目录约定

工程目录/
  character/
    shut.png  half.png  open.png  blink.png   # 状态帧，命名固定
  配音/1.mp3 ...                               # 01 生成
  配音时长.json                                 # 01 生成
  src.mp4                                      # 仅产线 B 需要
  frames/  frames_out/                         # 中间帧，脚本自建

跑法：

python 01_build_voice.py --root .
python 02_make_short.py            # 或 03_make_tail.py

常见五个坑（详见 references/pitfalls.md）

1. 画面抽搐 → 每帧用整数尺寸缩放，倍数进位时整幅横跳 1px。改用浮点窗口 Image.EXTENT 一次采样。
2. 人物像张照片 → 靠能量阈值判闭嘴，段内低能量帧太多。改成"只在实际开口区间内开合"。
3. 字幕比声音慢半拍 → 句尾拖尾把下一句盖住了。拖尾不许越过后一句开口。
4. 贴上去露方块 → 人物图自带纸纹淡花。按颜色距离把近纸色像素统一压平。
5. 只剩一个头 → 遮罩用了椭圆。改用行/列渐变，下沿单独控制。

随附资源

复用范围

定妆图、三态帧、嘴型/眼位坐标属于角色资产，换角色就得整条重做；配音、构图、形变、叠加逻辑与角色无关，直接复用。给同一角色改台词时，只需改 LINES 重跑，不必重新出图。

一句话原理

人眼判断"这是个人"靠的不是嘴形精准，而是嘴在动、眼会眨、头有微动这三件事同时成立。所以宁可用三态嘴型这种"假得很老实"的做法，也不要用唇形同步这种"假得很努力"的做法。