一句话总结:免费版只能做 10 秒,我把它重写成一条长口播生产线。11 月 13 日那期真实任务里,67.7 秒的稿子只让 AI 露脸 3 次,最后按 15 秒付费——出镜画面 3.9 元。
大家好,我是程序员晚枫。
「晚枫数字人」这个 Skill 的下载量,我今天截图时是 3.0 千。
版本还是 1.0.2,功能没动。它的能力上限也一直没动:一条 4 到 10 秒的短片。
3000 次下载里,我猜有一部分是装完之后发现只能做 10 秒,于是决定「等以后有空再研究」。这个「以后」,通常就是永远。
所以我把它重做了一版,叫晚枫数字人 Pro,版本 2.0.0。
一、3000 次下载,问得最多的一句话
先交代免费版是什么。
你给它一段正脸视频或者一张照片,再给一句 40 字以内的话,它出一条 4 到 10 秒的短片。两条路:走 WorkBuddy 积分一分钱不花,走 MiniMax 能克隆你的声音。
前面发过两篇,想补前情的看这两篇就够:我做了个「晚枫数字人」Skill:不会剪辑,也能做自己的数字人视频、用 WorkBuddy 积分免费生成数字人。
11 月 16 日写另一篇文章时,截图上它的下载量是 1.9 千。三天后到 3.0 千。

SkillHub 技能页卡片,版本 1.0.1,当时下载量 1.9 千次。
数字涨得快,但评论区问得最多的其实就一句话:
「我有一篇稿子,能不能直接做成一条完整的口播?」
不能。这不是我偷懒,是 10 秒这个数字本身就是一道墙。
我在 11 月 11 日那篇里写过它的边界:适合 4 到 10 秒的单条短片,不做 30 秒以上的长视频和多段拼接,口型能做到大致同步但不承诺逐帧对齐。
有朋友装完免费版,兴冲冲写了 800 字稿子回来找我:「说好的数字人呢,怎么念两句就断了?」
没断。是我给它画了一条只有 10 米的跑道。
要做长口播,缺的不是模型,是一条流水线:稿子切成几段、哪段要脸、哪段只要声音、每段多长、字幕对在哪一秒、这段不满意怎么单独重做。
Pro 版做的就是这件事。
二、真正决定账单的,不是单价,是你让 AI 露脸几秒
先给最硬的一组数字,来自我自己账号 11 月 13 日的一期真实任务(69 期《免费用 Agnes》)。
| 项目 | 实际数据 |
|---|---|
| 口播稿切分 | 11 段 |
| 全片时长 | 67.7 秒 |
| 需要我出镜的段 | 3 段 |
| 这 3 段的配音合计 | 8.5 秒 |
| 实际付费秒数 | 15 秒 |
| 单价 | 0.26 元 / 秒(H3-Lite 768P) |
| 出镜画面花费 | 3.9 元 |
67.7 秒的片子,我的脸只出现 8.5 秒,剩下 59 秒是配音加画面素材。
问题来了:为什么 8.5 秒的内容要付 15 秒的钱?
这就要讲清楚这类计费最容易看漏的一条规则。
数字人视频是按每次生成请求的秒数收费的,不是按你最后剪进成片的秒数。而且每一段有 4 秒的最低请求时长。
那期三个出镜段,实际生成出来是 6.7 秒、4.0 秒、3.0 秒。计费时分别是 7 秒、4 秒、4 秒——第三段虽然只有 3 秒,照样按 4 秒收。加起来 15 秒。
所以你会看到两件反直觉的事:
- 分段切得越碎,账单越贵。 10 段每段 3 秒的内容,付的是 40 秒的钱;
- 想省钱不该去抠配音。 按这套流程的口径,2 分钟成片的配音加占位预览约 0.17 元,在总成本里占不到 1%。
真正省钱的地方在别处:把该用画面代替露脸的段落,标成 B-roll。
skill 里那张占比表说得很直白,以 2 分钟成片为例:
| 出镜段占全片比例 | 出镜时长 | 视频成本(768P) | 相比全程口播 |
|---|---|---|---|
| 20% | 24 秒 | 6.24 元 | 省 80% |
| 30% | 36 秒 | 9.36 元 | 省 70% |
| 50% | 60 秒 | 15.60 元 | 省 50% |
| 100% | 120 秒 | 31.20 元 | — |
我那期是 12.6%。
说白了,观众记不住你在第 40 秒长什么样,但一定会记住你在第 3 秒说的是不是人话。开头、转折、收尾三处出镜,中间交给画面。
这也是 Pro 和免费版最本质的差别:免费版解决「有没有一段能用的素材」,Pro 解决「一篇稿子怎么排成一条片子」。
三、三条后端路,我把验证状态写在脸上
Pro 版每次开工第一件事,是问你三层选择。
| 层 | 选项 | 什么时候选它 |
|---|---|---|
| 语音 | MiniMax 克隆音色(默认)/ 本地 Ming | 要「像你本人」且不想折腾环境 → MiniMax;已有本机模型和参考音频 → 本地 |
| 出镜画面 | MiniMax H3(默认)/ 软件积分 / 自托管 H3 | 按秒付费要最好效果 → MiniMax;一分钱不想出 → 积分;有 GPU 实例想控成本 → 自托管 |
| 接入方式 | 官方 API(默认)/ 推荐平台 API | 自己有官方账号 → 官方;已买推荐平台额度 → 推荐平台 |

免费版是二选一,Pro 版把选择拆成了三层,一轮只问一层。
四种成本口径,我在 skill 里写成了一条铁律:不许混着说。
| 后端 | 扣什么 | 怎么跟你说 |
|---|---|---|
| MiniMax 云端 | 真金白银,按秒 | 「视频约 31.2 元,加上配音不到 31.5 元」 |
| 自托管 H3 | 接口费 0,机器按开机时长 | 「接口不花钱,但机器开着就计费,约 2.15 元/小时」 |
| 软件积分 | 账号积分,不是钱 | 「这条不扣 RMB,扣你账号里的积分」 |
| 本地 Ming 配音 | API 字符费 0 | 「配音不花钱,用的是你本机算力」 |
「大概几块钱」这种说法只在 MiniMax 那条路上成立。换了后端还这么报,你对账时一定对不上。
为什么自托管不是默认选项
因为我自己踩过。
11 月 13 日我做过一份本地 ComfyUI(int8 量化版)和官网 API(768P 档)的对比。参数差成这样:
| 维度 | 官网 API | 本地 ComfyUI 量化版 |
|---|---|---|
| 分辨率 | 1344×768,约 1MP | 864×480,0.4MP,像素差 2.5 倍 |
| 音频码率 | 32kHz 立体声,约 193 kbps | 同规格,约 128 kbps |
| 语音转写 | 三条全部干净完整,零幻觉 | 第一条前半对、后半幻觉,第二条后半句胡言,第三条大面积乱码 |
| 单条成本 | 约 7.4 元(6 秒,含参考视频费) | 纯算力约 0.3–1.3 元 |
便宜是真便宜,不能用也是真不能用。
调到最后一次,台词本身干净了,但 6.58 秒里只有约 1.4 秒有有效语音,后面 4.6 秒近乎安静——能听,但不能直接用。
原因不复杂:量化和剪枝砍掉的是精度,而语音是这类模型里最先扛不住的那一路。画面糊一点观众忍了,说话胡言没人忍。
所以 Pro 版把自托管标成「本地 mock 通过,云端未端到端验收」,把 MiniMax 云端设为默认。这不是偏心,是我自己验收不过去。
顺便辟一个谣
好多人问我:能不能用 Seedance、Kling、Veo 这些模型做数字人?
不能。它们不接受参考音频,做不了口型同步——你给一段声音,它画一张嘴,两边对不上。
这类素材在 Pro 里走的是另一个入口:当 B-roll 画面用,按时间码填进不需要露脸的段落。
别把通用视频模型说成「能生成数字人」,这是行业里最常见的偷换概念。
四、Pro 版不帮你做的四件事
我觉得这四条比优点重要,先说完再谈要不要用。
第一,它不交付成片。 它给你的是分段配音、出镜片段、时间码表 a_roll.json、全片字幕 a_roll.srt,加一条把出镜段顺序拼起来的 talking.mp4。
那条 talking.mp4 不是成片,它跳过了 B-roll 的时长,比成片短。拿它的时长去对位一定错。
对外说法是「配音准确的出镜素材 + 照着剪就行的清单」,不是「一键成片」。
第二,积分后端做不了你的声音。 选它意味着逐段手动生成、单段通常 10 秒以内、口型只做时长对齐,而且它自带的模型语音最终会被克隆配音覆盖。
好处是零 RMB。代价我也写进规则里:选了积分就不许偷偷调云端接口,选了云端也不许拿积分片段顶替。
第三,改稿要开新任务。 全程同一个 --job;改稿、换音色、换素材、换后端都换新 job,不覆盖旧结果。
这条看着啰嗦,是我拿重跑一遍的钱换来的经验——覆盖旧目录之后,你没法回答「上一版到底哪儿不对」。
第四,音色克隆完 7 天内必须合成一次。 否则系统会把它删掉。9.9 元一个音色,首次正式合成时才扣。
装上之后说什么话
不用记命令,说人话就行:
「把这篇稿子做成我出镜的口播视频,素材我放在桌面了」
「我只想要配音,不要数字人画面,先给我算下多少钱」
「上一版第三段口型不好,帮我把那一段重做」
第二句那条是真能跑的:--dry-run 按当前后端报价,零接口调用。在掏钱之前先看一眼账单,这个习惯比工具值钱。
三个入口,只有一个能拿到 Pro
一句话说在前面:Pro 版源码不公开,和免费版是两条线。
价格、包含什么、授权期限,以这个页面当日显示为准。
先用免费版试试手感:晚枫数字人 SkillHub 发布页:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-digital-human
想看开源部分:wanfeng-skills 仓库(免费版在这里,Pro 不在):https://github.com/CoderWanFeng/wanfeng-skills
授权条款和另一个 Pro 版一样:你买的是使用权,不是源码所有权。 用它做出来的视频、字幕、时间码表,版权归你,可以商用、可以发布、可以再编辑。
五、3000 次下载说明想露脸的人很多,但卡住内容的从来不是脸
写这一版的过程中,我最意外的收获不是省了多少钱。
为了让 AI 照着做,我不得不把一件一直没想明白的事想明白:我到底哪几句话需要露脸。
以前我剪口播是凭感觉——「这里该出个人了」。写成流程之后,它必须变成一个字段:这一段 kind 是 a 还是 b,start 和 end 各是多少秒。
感觉不能复用,字段可以。
那条 67.7 秒的片子告诉我一件事:真正贵的从来不是 AI 的单价,是「我不知道这段该不该放脸」这件事反复消耗我。
数字人解决的是「谁出镜」,Pro 版解决的是「怎么排」。
如果你手上正好有一篇写完的稿子,先别急着生成。先回答一个问题:
这条片子如果明天要发,你知道第 40 秒该出现什么画面吗?
不知道的话,那才是这条流水线要替你干的事。
科技不高冷,AI很好用。
我是晚枫,关注我,带你一起玩AI!
参考链接
- 晚枫数字人-Pro WorkBuddy 技能页:https://www.workbuddy.cn/share/asset?shareCode=wd5ITdiEZpfe0toJ9mtXKw&sig=Qe4ZOorEBeW6Q7Hd
- 晚枫数字人(免费版)SkillHub 发布页:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-digital-human
- 晚枫数字人 SkillHub 评测报告:https://skillhub.cn/dashboard/evaluation/wanfeng-digital-human?namespace=user_bf8c5b73
- MiniMax 开放平台:https://platform.minimaxi.com
- MiniMax 视频生成文档:https://platform.minimaxi.com/docs/guides/video-generation
- WorkBuddy 官网:https://www.workbuddy.cn
相关阅读
- 我做了个「晚枫数字人」Skill:不会剪辑,也能做自己的口播视频
- 用 WorkBuddy 积分免费生成数字人:「晚枫数字人 Skill」发布新版本
- 我做了个「晚枫AI动画」Skill:8 种视频风格,WorkBuddy里免费用
- 别花钱做AI视频了:MiniMax 免费开源 H3,人人可用





