数字人待机/口播素材怎么做：无声循环、锚点闭环与“举手姿势”这个坑

很多人第一次给数字人做素材，思路是“录一段带声音的视频，播的时候对着放”。这条路走不通，而且是在上线之后才会发现走不通——因为它错在最开始的定义上。

我们把数字人素材这条链路从零做到稳定交付，中间踩的坑基本可以分成两类：一类是概念性的，比如素材到底是什么形态；一类是审美性的，比如轮廓那圈亮边到底要不要修。第二类比第一类更费钱，因为技术上门门都对，成品还是被判“看着不对”。这篇只写我们真实踩过的，每个结论后面都有当时的实测数字。

一、先把定义钉死：素材是“无声 + 可循环”的两段视频

数字人前端的标准形态是三层同屏叠加：

看清楚这张表，几个结论就自动出来了：

• 视频不需要带声音。声音走的是另一条通道。素材里带音轨不但没用，还会和音频元素打架。
• 口播素材不需要和语音等长。它是循环的，语音讲多久就循环多久。想让它“刚好对上这句话”是做不对也没必要的。
• 不要交付“单程版”。循环版就是唯一正确形态，多给一版只会让人犹豫用哪个。

二、素材四要：四条能直接判定合格与否的硬线

规格不用自己发明，直接抄成品：我们线上实际引用的两支素材是——待机 204 帧 / 8.16 秒，口播 262 帧 / 10.48 秒，都是 1080×1920 @25fps，都没有音轨。口播那 262 帧是 131 帧往返折返出来的，所以单程 131 帧 = 5.24 秒。

这个 5.24 秒容易被误解。它不是“每句话要说 5.24 秒”，而是它定义了嘴动的节奏——循环素材的语速感由单程长度决定，跟某一句话实际多长没关系。

三、锚点闭环：为什么只考核一半就够

前端代码的注释写的是“首尾帧已统一（锚点闭环），无需等待机循环到首尾帧，立即切换”。但用线上标尺实测反推，真实约束比注释更精确：

• ✅ 待机首帧 必须等于 口播折返点那一帧（也就是口播时长的中点）。因为“切回待机”是等口播播到一半才切的，切回后待机从 0 帧起播，两帧对不上就会跳帧。
• ⚠️ 进入方向（待机首帧 vs 口播首帧）连标尺自己都不闭环——我们在一支素材上量到 6.11 倍的偏差。这一侧靠 0.16 秒的交叉淡化掩盖，所以不必强求。

也就是说，锚点闭环这件事只需要保证一半。知道这一点，能省掉大量“为什么首帧对不上”的无效返工。

顺带说切换的实现细节，它是“为什么不闪”的关键：切的时候先建新元素并 load()，等到 loadeddata（或 readyState ≥ 2）才开始 0.16 秒交叉淡化，200 毫秒后把另一个元素载入同源并同步 currentTime 续播，另有 2 秒兜底强制交换。切回待机时还带 3 秒（放歌场景 5 秒）的语音活动检测冷却，防止它自己的声音触发新一轮。

四、源图姿态铁律：举手是一颗定时炸弹

“一个人正常情况下，不可能一直把手举起来。口播视频也不可能一直举着手说话。”

这句话把问题说透了。一次性动作不能进循环素材——举手的拇指手势、比划、叉腰、指方向，全都是“拍照那一瞬”的姿态。待机要循环 8 秒、口播要循环 10 秒，而用户会一直看着它，任何摆拍动作在三秒内就会露馅。

允许的姿态只有一种：静态站姿 + 双手自然垂放体侧（可以含轻微的自然眨眼和眼神）。

更麻烦的是，举手多半是源图自带的，渲染只会沿用，剪帧也剪不掉，所以没有省事的路，必须在源图上改、然后重新渲染。我们一次到位的做法是：

1. 用图生图，输入已定版的立体源图，提示词只描述要改的部位，其余逐项声明“保持完全一致”。
2. input_fidelity = 0.6——实测既真的改了姿态，又保住了人脸、服装和整体风格。
3. 再走一遍本地精修（压纯黑背景、人物提亮、去水印）。

五、轮廓那圈浅色亮边：默认不处理，因为它是特征不是缺陷

重绘姿态之后，人物轮廓外缘（耳后、下颌线、肩线，还有袖口）会出现一道宽 5~9 像素的浅灰白细边。在纯黑底上放大看非常像瑕疵。

我们前后试了四轮处理方案，全部被否。这不是技术问题，是审美判断：

最后一行的结论值得记住：反光恰恰是人物立体感的来源，把它压掉，整个人就假了。所以最终定版是——

源图原样使用，不做任何处理。

更普适的元教训：症状看着像缺陷时，先确认它是不是特征。这类问题必须问出图的人，不要按“像素异常 → 该修”的直觉自己动手。每一次重渲的代价是 85~140 分钟。

六、生产链路：从源图到成品素材

1. 源图裁切

裁或补成 9:16（1080×1920）。补边要用纵向均匀色带——取边缘若干行列的均值，做横向高斯平滑，再加约 45 像素的过渡融合。不要用“拉伸行复制”，那会留下明显条纹。

2. 驱动音频（纯耗材，不交付）

用 edge-tts 合成，拼成“静音 + 语音 + 尾静音”，严格铺满输出时长。一个实操坑：edge-tts 命令行不支持调节语速，必须走 Python 接口：edge_tts.Communicate(text, voice, rate="-12%", pitch="-2Hz")。沉稳男声可以用 zh-CN-YunjianNeural。

3. 渲染

走 ComfyUI + Wan2.1 图生视频 + MultiTalk 的口型驱动。几条实测经验：

• 先释放其他进程占用的显存，渲染完记得把原进程恢复回去，否则会悄悄影响别的服务。
• 提交任务的正确顺序是：打断当前任务 → 清空队列 → 改写工作流 → 提交。顺序错了会跑到旧参数上。
• 导引强度不能低于 1.5，设成 1.0 会空转（画面不出有效变化）。种子固定，便于复现。
• 低分辨率渲染、交付时再放大：544×960 渲染，交付放大到 1080×1920，省显存。431 帧大约 85 分钟，这是排期的基本单位。

4. 提示词口径

• 轮廓锁死：头居中固定高度、肩线水平、躯干定住；四向否定掉前后左右的漂移和摇摆。
• 面部放活：自然眨眼、眼神自然，说话时只有嘴、唇、下颌在动。
• 禁用“微呼吸 / 微动”这类词——它们会带动上半身。呼吸相关的词要全部转到负向。
• 黑底素材必须同步改提示词：背景写成 black，负向补上“灰底、白底、背景光晕、渐变、暗角”，否则模型会自己造一块灰背景出来。

七、一个容易被忽略的翻车点：同名素材 ≠ 同一个数字人

如果你的集群里跑了不止一个数字人，请注意：不同实例的素材文件名可能一字不差，而它们对应的形象、音色、部署位置完全不同。我们曾因此整轮改错对象。

可靠的判别方式是认音色，不认文件名：去目标机读它的语音配置，看用的是哪个音色标识，而不是看素材叫什么。动手前的 30 秒核查，能省掉一整轮白工。

八、一页纸的素材验收清单

• 素材是无声的吗？（检测不到音频流）
• 是可循环的吗？（尾帧→首帧 ≈ 一帧运动量）
• 口播的折返点帧 = 待机首帧吗？（进入方向可以放宽，靠交叉淡化掩盖）
• 源图姿态是能长期自然保持的吗？（没有举手、比划、叉腰、指方向）
• 改过姿态后，水平居中和提示词正负向都复查了吗？
• 轮廓亮边确认是特征还是缺陷了吗？（默认判定为特征，原样使用）
• 规格对齐了吗？（1080×1920 @25fps；待机 204 帧 / 口播 262 帧）
• 导引强度 ≥ 1.5、种子固定、渲染进程已恢复？
• 黑底素材的提示词里，背景色和负向封禁词都同步了吗？
• 动手前确认了是哪一个数字人实例（认音色不认文件名）？

这套东西做完，素材就从“看起来能动”变成“能长期挂着不出事”。数字人这个行业真正的门槛其实不在模型，而在这些每一条都能被一句话验证、但事前完全想不到的细节上。

常见问题