数字人口播:不拍、不剪、不贵!我实测的 6 个省钱办法
9 月我把市面上 14 个数字人方案试了一遍,结论很伤我:便宜的不能用,能用的都很贵。
能过线的只有 HeyGen AV5,一分钟 7 美元多。我平时做一条 1 分钟左右的口播,算上返工,光生成原片就要 10 美元上下,剪辑还没算。。。所以我一直在找低成本的数字人方案!!
其实早听说可以用视频生成模型搞数字人。但一想到 Seedance 2.5 那价格就望而却步。直到这次在 Renoise 上试了 Wan 3.0。生成效果让我刮目相看!!看看成片👇
0:44
且!基于 Renoise + Wan 3.0,抠门的我梳理出来了6条省钱方案!! 下面一条条摊开讲。
小目录
1|14种数字人方案对比 + 视频模型实测
2|降成本的 6 个办法:选模型、喂原声、先样片、分段拍、少露脸、外接 Agent
3|数字人网感剪辑与更多爆款打法
───
1. 1|14种数字人方案对比 + 视频模型实测
14 个方案,便宜的都不能用
9 月那次横评,我让 14 个方案用同一张脸、同一段配音各出一条。下面是进了决赛的 8 个:
![]()
简单评一下:
- 对口型的工具(Sync、LatentSync 这类):嘴永远慢半拍。我把声音往后挪了 4 档去对,没有一档对得上,是模型本身的问题。
- 照片驱动的(HeyGen AV3、可灵、EMO 这类):要么只有嘴在动,要么脸型走样,要么糊到看不清。
- 便宜的国内平台:肢体还行,口型对不上。
- HeyGen AV4:一张照片就能驱动,便宜,但一放大就假,只能缩在角落当小窗。
- HeyGen AV5:唯一过线。它是拿你的真人视频专门训练出来的,所以像,也所以贵。
完整的横评在这:
9月29日
答应大家的第2篇:数字人使用的罪与罚!测评了市面上14种数字人方案,还有我实操的避坑经验,欢迎转发交流!
视频模型:效果够,但 Seedance 太贵
那次横评里,Seedance 是"还行"的那一档。视频生成模型做数字人有个天生的好处:它把整个人连同手势、身体、背景一起拍出来,嘴和手不是分开拼的。
问题是贵。Seedance 2.5 算下来比 AV5 还贵,而且声音会被模型重新生成,出来的不是你自己的声音。
所以我一直没往这条路上走。
直到试了 Wan 3.0
这次在 Renoise 上换成了 Wan 3.0(阿里的视频生成模型)。一张照片,加一段 10 秒的原声,出来是这样的:
![]()
嘴型、手势、身体的晃动都很自然,声音也是我自己的。
价钱呢?同样的竖版数字人,Wan 3.0 比 Seedance 2.5 便宜 62%。换成大家好理解的说法:我这档会员一个月的额度,用 Wan 3.0 能做 10 分钟 480p 的数字人口播,用 Seedance 2.5 只够 3 分多钟。
说实话,这次我是真的对 Wan 3.0 刮目相看,至少数字人这块,性价比很能打。
2. 2|降成本的 6 个办法
① 日常口播用 Wan 3.0,而且要点名
Renoise 默认的视频模型是 Seedance 2.5,对话框里也没有选模型的按钮。不说清楚,它就按最贵的来。
所以在你的需求里直接写一句"用 Wan 3.0"。或者直接说用它的"数字人口播" Skill,这个 Skill 默认就走 Wan 3.0。
要质感、要真实物理的镜头(运动、光影、复杂场景),再上 Seedance。纯口播,Wan 3.0 够了。
② 给原声,别给视频
想让数字人用你的声音,常见做法是喂一段你说话的视频,让它学脸、学声音、学动作。但带参考视频是按双倍算钱的。
我拿同一句 7 秒的台词,两种喂法各跑了一遍:
- 照片 + 10 秒视频:84 积分,约 9 分钟出片
- 照片 + 10 秒原声:42 积分,约 7 分钟出片
两条我都听了,都像我,也都自然。那就没必要给视频:钱砍一半,还快两分钟。
原声挑一段平稳、没背景音乐的,控制在 15 秒以内,太长会被拒。照片选正脸、光线匀、带手的半身照,照片里没手,模型不知道手在哪,上半身就动不起来。
③ 先用 480p 出样片,满意了再上 720p
Wan 3.0 的 720p 价钱是 480p 的两倍。
所以第一步先截一小段、用 480p 出个样片,看人像不像、节奏对不对。方向错了,只亏一半的钱。
两个相关的小坑:
- 别先出低清再放大。 超分到 1080p,18 秒要 570 积分,比直接用 720p 重新生成贵一倍多。要高清就一开始按目标清晰度生成。
- 想法先聊透再开工。 在 Renoise 里聊想法、改方案不花积分,只有生成和剪辑才扣。稿子、风格、要几段,都在对话里定好了再让它动手。
④ 一句一段,分开生成
开头那条口播的完整版有 91 秒,我拆成了 12 段、每段一两句话,同时开拍。
在 Renoise 画布上看是这样的(图里是另一条,拆了 5 段):
为什么要拆:
- 段越短,嘴型和语速越稳,Wan 3.0 单条最长也就 30 秒;
- 12 段一起交上去,等的时间约等于最慢那一段,我最后 8 段 4 到 6 分钟就全出齐了;
- 哪段坏了只重跑那一段,不用整条重来。这才是省钱的大头。
我扒了 Renoise 自带的数字人流程,有两个细节特别值得抄:
- 时长按台词算。 它按每秒 5 到 6 个字给时长,7 秒说 37 个字。时长给多了,人会说得拖拖拉拉,一下就假了。
- 表演写进提示词。 它会让模型"跟着这个人的脸、声音和自然的小动作来",还把手势绑到具体的词上。
拼起来会不会看出接缝?它会逐段听写、核对台词,修掉首尾空白,再在接缝处把画面轻轻推近一点,看着像换了个机位。我看完的感受是:衔接得蛮自然。
⑤ 数字人别全程露脸
这招我用 HeyGen 的时候就在用:开头、转折、收尾露脸,中间让画面讲,人缩成角落小窗。
放到视频模型上更划算:露脸的秒数少了,要生成的数字人就少了。
完整版 91 秒里,真正整屏露脸的只有开头、几个转折和结尾,其他时候人在左下角小窗里,画面全给卡片和截图。
⑥ 让 Agent 直接调,剪辑不花积分
我喜欢让 Claude Code 通过 Renoise 的官方接口(MCP)搞:查余额、估价、提交生成、下载结果,都在 Claude 里完成。Codex、WorkBuddy 这类支持 MCP 的 Agent,按同样方式接上就行(我实测的是 Claude Code)。
用起来我才发现,Renoise 背后其实有一台云电脑。每个账号一台,装好了 ffmpeg、Remotion、转写这些剪辑工具;生成在云端模型上跑,剪辑、拼接、字幕在这台电脑上跑。
这跟省钱有什么关系?
- Claude 在这台云电脑里剪辑、渲染,不扣积分,余额只在生成的时候动;
- 每条生成任务都会告诉你实际扣了多少积分,能逐条记账,失败的任务自动退回;
- 我的口播稿是从本地一篇长文改的,配图也是现成的。Claude 自己读文件、传素材,不用我一个个上传。
网页端的 Agent 和 Claude 共用这台电脑。我中午在网页端剪的工程,下午 Claude 打开就能接着改。
当然,不接 Agent 也完全可以。Renoise 的网页端和手机 App 交互很顺,基本不用选参数,它能听懂你想要什么。
3. 3|数字人网感剪辑与更多爆款打法
人生成完,不用导出,直接在 Renoise 里接着剪。它自带的"口播剪辑" Skill,把去气口、字幕、花字、画中画、B-roll、章节页、配乐这些技法都打包好了,说一句想要什么风格就行。
网感剪辑:这句是"对你说"还是"给你看"
我这条数字人口播,就是用这个 Skill 剪的。排画面只按一条原则:这句是"对你说",人就露脸;是"给你看",人就缩到角落,把画面让给信息。
讲观点的时候,观众要看你的脸;讲数据、讲步骤的时候,观众要看的是东西。
卡片会随着口播一条条亮起高亮,段落之间插章节卡,重点词用顶部大字或盖章。改的时候说人话就行,比如"字幕和大字不能挡脸"“小圆圈别乱跳”“切画面要丝滑”。改版只是重新排版、重新渲染,不用重新生成数字人。
剪完想自己在剪映里抠细节,官方说明里写了,口播剪辑 Skill 可以按要求出剪映草稿。
真人实拍:同一个 Skill,换个风格
对 AI 来说,剪数字人和剪真人其实没区别,它看的都是一段有人在说话的视频。
这条是我真人实拍的,30 秒口播。这次我换了个风格要求:方格纸底,人抠出来放中间,每句话配关键词大字和小卡片,讲到"粉色童话风"那句,整屏切成粉色。
你翻回去对比一下前面的数字人,能分出来哪条是真人吗?
爆款复刻:换人、换宠物、换产品
刷到一条爆款,把视频丢给它,它会保留原片的场景、动作、镜头和音乐,只把主角换成你指定的。换成你自己,换成你的萌宠 IP,或者换成你家的产品,都行。
我试的是一条 18 秒、7 个镜头的白猫狂奔视频,让它把猫换成柯基。第一版柯基太大,脚被画面底边切掉了,看不出原片"悬空飘着跑"的笑点。
我说了一句"爪子要露出来"。它自己去截原片里猫悬空的那一帧,照着重画柯基参考图,再重拍整条。第二版,四只爪子和爪垫都露出来了。
───
4. 最后
最近不少运营总监来问我数字人方案:老板想做 IP,又没空拍。
这套正好对得上:老板拍张照、录 10 秒话,口播和剪辑都交给它。门店号、产品号、老板号轮着更,宠物号、虚拟 IP 号用爆款复刻批量起;做外贸的,一套口播还能出几个语种。
数字人这件事,我从 9 月折腾到现在。贵的、假的、白扣钱的坑都踩过。
这次算是找到一条自己用得起的路:Wan 3.0 生成,一句一段,在同一个地方剪完。如果你也卡在,想做数字人,但嫌贵,可以先拿 480p 跑一条 30 秒的样片试试。
做法细节都在正文了,有问题评论区问我~