零成本制作日语数字人视频：从脚本到成片的完整链路

起因

我想做一个日语数字人视频，用于测试内容自动化的可能性。

手头的资源有限：

• VPS 没有 GPU，5.8Gi 内存
• 不想花钱订阅数字人 SaaS
• 不懂日语，但需要日语文案

目标：用免费工具跑通「输入主题 → 输出数字人日语视频」的完整链路。

整体架构

text

VPS（你的服务器）
  ├── One API → 生成日语脚本
  └── edge-tts → 生成日语配音
        ↓
Mac（本地）
  └── FFmpeg → 转为 WAV 格式
        ↓
免费云端工具（Vidnoz AI / DreamFace）
  └── 数字人口型合成
        ↓
最终视频

核心思路：你的 VPS 负责”大脑”（脚本 + 配音），免费云端工具负责”身体”（口型合成）。

第一步：用 One API 生成日语脚本

你的 VPS 上已经配好了 One API，里面有多层 LLM 渠道。我用的是 Ollama Cloud 的 gemma4:31b（免费、非推理模型、响应快）。

bash

curl -s -X POST http://172.17.0.1:3000/v1/chat/completions \
  -H "Authorization: Bearer sk-你的OneAPI令牌" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma4:31b",
    "messages": [{"role": "user", "content": "あなたはプロのナレーターです。次のテーマで、15秒程度の自己紹介口播文案を日本語で書いてください。テーマ：AIで未来を創る。出力は文案のみ。"}],
    "max_tokens": 300,
    "stream": false
  }' | python3 -c "import sys,json; print(json.load(sys.stdin)['choices'][0]['message']['content'])"

生成的日语脚本：

text

AIで、未来を創る。
こんにちは。ナレーターの〇〇です。
テクノロジーが進化する時代だからこそ、心に響く「声」の力を。
あなたのビジョンに、確かな説得力と彩りを添えます。
共に、新しい時代の扉を開きましょう。

⚠️ 踩坑：推理模型返回空 content

最初用 gpt-oss:20b，返回的 content 字段是空的。原因是推理模型会先在 thinking 字段消耗 token，max_tokens 不够时 content 就被截断了。

解决：换成非推理模型 gemma4:31b，直接输出 content。

第二步：用 edge-tts 生成日语配音

edge-tts 是微软 Edge 浏览器的语音合成引擎的 Python 封装，完全免费、无需 API Key。

bash

# 把脚本写入文件
cat > /tmp/script.txt << 'EOF'
AIで、未来を創る。
こんにちは。ナレーターの〇〇です。
テクノロジーが進化する時代だからこそ、心に響く「声」の力を。
あなたのビジョンに、確かな説得力と彩りを添えます。
共に、新しい時代の扉を開きましょう。
EOF

# 生成日语配音
python3 -c "
import asyncio, edge_tts
text = open('/tmp/script.txt').read().strip()
async def main():
    comm = edge_tts.Communicate(text, 'ja-JP-NanamiNeural')
    await comm.save('/tmp/japanese_voice.mp3')
asyncio.run(main())
"

日语音色推荐：

音色 ID	说明
ja-JP-NanamiNeural	女声，自然流畅（我用的这个）
ja-JP-KeitaNeural	男声
ja-JP-AoiNeural	女声，更年轻

⚠️ 踩坑：edge-tts 不在系统 Python 里

直接运行 python3 -c "import edge_tts" 报 ModuleNotFoundError。原因是 edge-tts 装在 venv 里，不在系统 Python。

解决：先激活 venv：

bash

cd /opt/rag-nvidia
source venv/bin/activate

第三步：转成 WAV 格式

免费数字人工具通常要求 WAV 格式的音频。从 VPS 下载 MP3 到 Mac，用 FFmpeg 转换：

bash

# 在 Mac 上执行
scp root@162.43.92.249:/tmp/japanese_voice.mp3 ~/Downloads/

ffmpeg -i ~/Downloads/japanese_voice.mp3 -ar 16000 -ac 1 ~/Downloads/japanese_voice.wav

转换结果：

项目	值
文件	japanese_voice.wav
大小	692 KB
时长	22.13 秒
采样率	16000 Hz
声道	单声道

第四步：用免费工具生成数字人视频

我用的是 Vidnoz AI（网页端，每天免费 8 积分）。

操作步骤：

1. 访问 vidnoz.com，注册免费账号
2. 进入 「AI Talking Head」 功能
3. 选择 日语 作为语言
4. 上传人像照片（正面清晰，面部无遮挡）
5. 上传 japanese_voice.wav
6. 点击生成（消耗积分）
7. 下载视频（免费版带 Vidnoz 水印）

其他可选工具：

工具	免费额度	特点
DreamFace	免费（App 内购）	手机操作，体验好
HeyGen	每月 3 个视频	质量最高，但有水印
UGC Maker	每天 4 积分	无需注册，可商用

完整成本分析

环节	工具	成本
日语脚本	One API + Ollama Cloud	免费
日语配音	edge-tts	免费
格式转换	FFmpeg	免费
数字人合成	Vidnoz AI	免费（每天 8 积分）
总计		0 元

踩坑记录

1. 推理模型返回空 content
gpt-oss:20b 会先在 thinking 字段消耗 token，max_tokens 不够时 content 为空。换成非推理模型 gemma4:31b 解决。

2. edge-tts 不在系统 Python
edge-tts 装在 venv 里，需要先 source venv/bin/activate 才能用。

3. 数字人工具要求 WAV 格式
从 MP3 转 WAV 时，建议用 -ar 16000 -ac 1（16kHz 单声道），兼容性最好。

4. 免费工具的水印
Vidnoz 免费版输出带水印。如果对无水印有要求，需要付费或换工具。

可优化的方向

1. 自动化
把 Step 1-3 串成一个 VPS 脚本，一条命令生成「日语脚本 + 配音 + WAV」。

2. 质量提升

• 脚本用 kimi-k3 或 nemotron-3-ultra 生成更自然的日语
• 配音尝试不同音色
• 数字人换用质量更高的工具

3. 批量生产
写循环脚本，一次生成多个视频的脚本和配音，批量上传到数字人工具。

总结

核心洞察：没有 GPU 不代表不能做数字人视频。把链路拆成”脚本生成”、”配音生成”、”口型合成”三段，前两段用 VPS 免费完成，第三段用免费云端工具完成。

唯一需要手动操作的是上传到数字人工具，因为免费工具通常没有开放 API。但整个流程的核心（日语脚本 + 日语配音）已经完全自动化。