claudeers.
// Claude Skills

digital-human-koubo-comfyui

一张照片生成 AI 数字人口播:本地 ComfyUI 全流程(Qwen3-TTS 克隆声音 + MiniMax H3 对口型 + Qwen Image + Music 3),不花积分;5 种剪辑风格 + 48 个博主级包装组件。AI digital-human talking-head videos from o…

// Claude Skills[ cli ][ api ][ desktop ][ claude ]#claude#agent-skill#ai-video#claude-code#comfyui#digital-human#lip-sync#minimax-h3#skills◷ MIT$open-sourceupdated 4 days ago

Install with your AI

Paste into Claude Code, Cursor, or any agent — it reads the repo and wires the tool into your project.

Install and set up digital-human-koubo-comfyui (release-binary project) into my current project.
Found on https://claudeers.com/digital-human-koubo-comfyui
Repo: https://github.com/walkskysu/digital-human-koubo-comfyui
Homepage/docs: —
Detected install method: release-binary → inspect the README
Category: skills. Platforms: cli, api, desktop.
Read the repo's README for exact setup and env vars, then install it and wire it into my project.

Claudeers Health Verdict:
unknown; community-verified: false. Confirm the source before running anything.
// or install directly (release-binary)

Grab the latest release asset from GitHub.

# download a build from https://github.com/walkskysu/digital-human-koubo-comfyui/releases
// or clone
git clone https://github.com/walkskysu/digital-human-koubo-comfyui

// compatibility

Platformscli, api, desktop
Operating systems—
AI compatibilityclaude
LicenseMIT
Pricingopen-source
LanguageTypeScript

Get your FREE $2.50 API credits to access TickAtlas financial data ↗

Digital Human Koubo · 本地 ComfyUI 数字人口播

一张照片 + 一句话 → 一条对好口型的数字人口播成片,全程在你自己的显卡上生成。 声音克隆、对口型、场景图、B-roll、配乐、字幕、包装剪辑,你的 AI Agent 通过本地 ComfyUI 自动做完。

简体中文 · English

本地 ComfyUI 路线做的五条数字人口播成片封面
🖥️ 全本地🔑 零积分 · 零 API Key💬 一句指令出片
配音、画面、配乐、剪辑都在你的显卡上跑生成不调任何云端接口,花的只是 GPU 时间不写提示词、不连节点、不动剪辑软件

基于 Berryxia 的 andyhuo520/digital-human-koubo,本仓库新增全本地 ComfyUI 路线。


一句话,一条成片

你对 Agent 说:

在本地做个口播:9:16 花字,主播用 ella,45 秒,讲一张照片、一台显卡做出五种风格的口播,花字用热闹档。

一张 RTX 3090 跑完后得到这条 44 秒成片(点图看带声音的完整视频):

风格 B 网红花字口播成片预览
▶ 播放(有声)

中间你只需要点两次头:确认 GPU 用时估算,看一眼第 1 段。

目录:快速开始 · 适合谁 · 成片示例 · 你不用做的事 · 指令示例 · 流程 · 本地 vs 云端 · 风格与包装 · 文档 · 红线 · 许可


快速开始

前提:一张 24 GB 显存的 NVIDIA 显卡,装好 ComfyUI 0.44 或更新,以及一个能在本机跑命令的 Agent(实测用的是 Claude Code)。

① 下载并把 Skill 装进 Agent

git clone https://github.com/walkskysu/digital-human-koubo-comfyui.git
cd digital-human-koubo-comfyui
mkdir -p ~/.claude/skills && cp -R skills/digital-human-koubo skills/finance-explainer ~/.claude/skills/

② 一条命令检查环境

bash ~/.claude/skills/digital-human-koubo/scripts/doctor.sh

已经装好的打勾跳过,缺什么(ffmpeg、Node.js、whisper、ComfyUI 模型……)它会列出来并给出装法。模型不用手动找:在 ComfyUI 里打开对应的内置模板,缺的模型它会提示下载。完整清单见 安装文档。

③ 打开 ComfyUI,对 Agent 说一句话

在本地做个口播,讲 72 法则,40 秒,9:16。

Skill 检测到 127.0.0.1:8188 在线就走本地路线。仓库自带两个 AI 数字人示例主播和声音样本,不用先准备照片和录音就能出第一条片:

主播形象画幅
annie(默认)演播室中景16:9 和 9:16 都有形象图
ella自拍特写9:16

不指定主播就用 annie;想换就在指令里说「主播用 ella」。

用的不是 Claude Code?各 Agent 的装法

本地路线只要 Agent 能装 Agent Skills(标准 SKILL.md 格式)并且能在你电脑上执行命令,不需要 MCP。

Agent装 Skill状态
Claude Code~/.claude/skills/✅ 已实测,示例成片就是用它做的
Codex(CLI / 桌面)~/.codex/skills/✅ 预期可用(同一套脚本)
OpenClaw放进 OpenClaw 的技能目录(见其文档)⚙️ 应可用
WorkBuddy技能 → 导入文件夹 / 压缩包⚙️ 应可用,菜单名以 App 当前版本为准
豆包 · 千问办公 · 纳米Work 等产品支持 Agent Skills 就导入⚙️ 需要能在本机执行命令
Claude 桌面端 / claude.ai设置里上传技能包⚠️ 只有沙盒,跑不了本地路线;只能做云端路线的写稿和生成

适合谁 / 不适合谁

✅ 适合❌ 暂时不适合
有一张 24 GB 显存的 NVIDIA 显卡(实测 RTX 3090 + 34 GB 内存)没有独立显卡,或想几分钟内拿到成片 → 用云端路线
愿意让显卡跑一会儿:40 秒成片约占 40–70 分钟 GPU 时间显存小于 24 GB:没有实测过,不保证能跑
不想按秒付积分,不想把照片和录音传到生成服务想做几分钟的长片:能做,但 GPU 时间按段数增加(每 10 秒口播约 8 分钟)
Windows(ComfyUI Desktop)+ WSL2,或 Linux 原生完全不想碰命令行:安装时需要跑几条命令

实测用时(RTX 3090):

任务用时
克隆配音一句(5–14 秒)几秒
主播对口型一段(10 秒)约 8 分钟
场景图一张25–50 秒
B-roll 一段(5 秒)5–6 分钟
配乐一条(35–50 秒)1–2 分钟

成片示例

五种剪辑风格各一条,全部在一张 RTX 3090 上从头做到成片。每条下面是做这类片子可以说的一句话,点图或「播放」看带声音的完整视频。

digital-human-koubo-comfyuidigital-human-koubo-comfyui
风格 A · 小林式解说 · 16:9 · 35 秒 · ▶ 播放
「在本地做个口播,小林式解说:72 法则,存一笔钱多久能翻一倍,16:9,35 秒。开场用景深字,算例放题板配主播小窗。」
风格 C · 发布解读 · 16:9 · 41 秒 · ▶ 播放
「在本地做个口播,发布解读:MiniMax H3 开源了,画面和声音一起生成,40 秒,主播在侧边,配参数卡。」
digital-human-koubo-comfyuidigital-human-koubo-comfyui
风格 D · 保姆级教程 · 16:9 · 44 秒 · ▶ 播放
「在本地做个口播,保姆级教程:三步在自己电脑上做出数字人口播(克隆声音 → 生成画面 → 合成剪辑),16:9,45 秒。」
风格 E · 双主播接力 · 16:9 · 37 秒 · ▶ 播放
「在本地做个口播:annie 和 ella 接力讲双 11 的三个坑,16:9,40 秒。」

风格 B(9:16 网红花字口播)就是页面顶部那条。

主播全部是 AI 数字人(assets/host_annie_*.png 和声音样本都是 AI 生成的,不是真人),每条片子都标了「内容由 AI 数字人演绎」。


你不用做的事

Skill 替你做的
生成不用写提示词、不用连 ComfyUI 节点。Agent 写稿、克隆声音、照着配音生成对好口型的主播画面,按需补场景图、B-roll 和配乐。主播的脸、服装、声音存在 persona.json,每条片子都是同一个人。
把关不会白烧 GPU。开工前先报「段数 · 秒数 · GPU 用时」,你确认才开始;先做第 1 段给你看,满意再批量。中断了可以续跑,只重做改过的段。
质检不用自己逐句听。每句配音自动回听并和稿子比对,念错了只重配那一句;每段抽帧检查画面;分段生成的声音统一处理成像一次录完的。
剪辑不用开剪辑软件。按内容推荐剪辑风格,自动上字幕、花字、图表、音效和配乐,统一响度,并把封面接成成片第一帧。想加减什么直接说。

也支持多主播接力、英日韩法西阿等多语言、把主播放进生成的场景(直播间、门店、街头)。


指令示例

直接用大白话说,开头一句「在本地做个口播」就行。带「本地」两个字就走本地路线;不说的话,只要 ComfyUI 开着也默认走本地。

# A · 小林式解说(16:9,财经 / 科技事件)
在本地做个口播,讲复利和单利的区别,小林式解说,1 分钟,中间插两段 B-roll。

# B · 网红花字口播(9:16,安利 / 种草 / 吐槽)
本地做 30 秒竖屏种草:这副降噪耳机我用了三个月,说三个优点一个缺点,花字用标准档,结尾引导评论区扣一。

# C · 发布解读(16:9,新品 / 新模型)
本地做一条 45 秒发布解读:Qwen3-TTS 用十几秒录音就能克隆声音,讲三个亮点和一个限制。

# D · 保姆级教程(16:9,几步做出 XX)
本地做一条教程:在 ComfyUI 里装 Lightning LoRA,分四步,每步配终端画面和步骤追踪。

# E · 多主播 · 多语言 · 多场景(16:9)
annie 和 ella 接力讲租房的三个坑:第二个坑把 annie 放进 Qwen Image 生成的小区场景里,第三个坑让 ella 用英文讲。

# 通用
用我的数字人 Skill 讲这段:……(粘贴你的内容)
用 MiniMax Music 生成配乐,用 earshot 重做音效再混音。
讲到这几个国家的时候加地图航线 / 把「¥99」放在她身后 / 开场加个预告闪回。
把包装组件图鉴发我看看

换成你自己的主播:录 12–20 秒干净的声音,加一张正脸照片,在 persona.json → comfy.hosts 里加一项即可(说明)。只用你本人或明确授权的脸和声音。


从一句话到成片

你的一句话
  │
  ├─ Agent 诊断内容、推荐剪辑风格、写稿、估 GPU 用时        ◄ 你确认 ①
  │
  ├─ Qwen3-TTS        克隆主播声音配音 → 自动回听,念错的只重配那一句
  ├─ MiniMax H3       照着这段配音生成主播画面(口型天然对上)  ◄ 先出第 1 段,你确认 ②
  ├─ Qwen Image 2.1   场景图            ┐
  ├─ MiniMax H3       B-roll            ├ 按需
  ├─ MiniMax Music 3  配乐 · earshot 音效 ┘
  │
  ├─ 声音统一 → 逐字时间轴 → Remotion 剪辑包装 → 响度
  └─ 封面接成首帧 → 成片 MP4

本地路线是先配音,再出画面:嘴型是照着最终音频生成的,所以用克隆声音口型也准,事后不用换声音。全部模型都跑在你的 ComfyUI 里,脚本通过它的本地 HTTP API(默认 http://127.0.0.1:8188)提交任务。

每一步跑哪个脚本、哪张工作流、哪些模型文件:见 工作流与架构。想在 ComfyUI 画布里手动跑,把 workflows/ 里的文件拖进去就行。


本地 vs 云端

本仓库在原项目基础上新增的就是本地路线。原来的云端路线(Renoise MCP)仍然保留,每条片子可以自己选。

本地 ComfyUI(本仓库新增)云端 Renoise MCP(原项目)
花费0 积分,只占 GPU 时间和电费按秒计积分(实测 27 秒直播间广告 482 积分)
账号 / Key生成不需要任何账号或 API Key需要 Renoise 账号和积分
素材去向照片、录音、成片都在本机生成,不上传到生成服务 ¹参考图和稿子上传到云端生成
硬件24 GB 显存的 NVIDIA 显卡不需要显卡
用时40 秒成片约 40–70 分钟(3090)不占本机 GPU
口型照着最终配音生成,克隆声音也对得上跟模型自带的声音;事后换声音约差 100 毫秒
模型Qwen3-TTS · MiniMax H3 · Qwen Image 2.1 · MiniMax Music 3 · BiRefNetGrok Video 1.5 · GPT Image 2.5 · Wan 3.0

¹ 生成在本机完成。如果你的 Agent 用的是云端大模型,稿子和它检查的抽帧仍会经过那个模型。

云端路线的接入、示例和成本:docs/CLOUD.zh-CN.md。


五种剪辑风格

五种剪辑风格

风格比例适合
A 小林式解说16:9财经 / 科技事件、数据、「为什么」
B 网红花字口播9:16安利、带货、种草、吐槽(花字三档:克制 / 标准 / 热闹)
C 发布解读16:9新品、新模型发布
D 保姆级教程16:9几步做出 XX、工具上手
E 多主播 · 多语言 · 多场景16:9能力展示、出海

不用自己选:Agent 会先看内容,推荐 2 种并附预览图。本地路线建议先从 30–60 秒做起。

每种风格自带默认包装,来自 48 个包装组件(逐帧拆了 25 支头部博主视频提炼出来的:景深字、数字钉子、对比条、地图航线、弹幕、步骤追踪……)。想加减直接说名字或效果。

48 个包装组件图鉴
包装组件图鉴 · 48 个组件 · 2 分 40 秒 · ▶ 播放

模板、组件清单和参数:docs/PACKAGING.zh-CN.md。


踩过的坑

下面这些 Skill 里都已经处理了,列三条有代表性的:

  • 不开 Lightning LoRA,H3 在 24 GB 上会爆显存,卡在第 0 步 → 流程里主播固定用 4 步 LoRA、B-roll 用 8 步。
  • Qwen3-TTS 偶尔念糊一个词(比如 MiniMax 念成 mini maxax)→ 每句都不带原文回听比对,念错的换个种子只重配那一句。
  • 几十段口播直接拼接,声音会逐段落后口型(实测 44 段后晚 0.38 秒)→ 拼接前把每段音频补齐到画面长度,并校验音画等长。

其余十几条和排查办法:docs/TROUBLESHOOTING.zh-CN.md。


文档

文档内容
安装ComfyUI 节点包和模型清单、Python 环境、本机工具、主播声音、earshot
工作流与架构脚本流水线、ComfyUI 工作流和 API 图、模型文件、主播配置、GPU 用时、目录结构
风格与包装组件五种风格的模板、48 个组件清单、pack 写法、景深字
云端路线Renoise MCP 接入、云端示例、MiMo 语音、积分成本
踩过的坑本地和云端路线的已知问题与处理
workflows/可以直接拖进 ComfyUI 的界面格式工作流

使用红线

  • 只用你本人或明确授权的脸和声音,不冒充任何真人或创作者。
  • 每条片子标「内容由 AI 数字人演绎」,场景和动物片段标「AI 生成」。
  • 不编数字、价格、优惠、评价;画面上的示意数据要标「示意」。
  • 不用网络梗图、影视剧截图、明星照片;梗图类组件用你自己数字人生成的原创贴纸。
  • 积分(云端路线)只在你确认报价之后才花。

许可与第三方

  • 代码和文档:MIT © 2026 Berryxia(andyhuo520);本地 ComfyUI 路线 © 2026 walksky。
  • 本地路线:ComfyUI(GPL-3.0,自行安装)· 模型 MiniMax H3、MiniMax Music 3、Qwen Image 2.1、Qwen3-TTS、SenseVoice、BiRefNet(自行下载,各有各的许可,商用前请看模型页)· mediapipe(Apache-2.0)· earshot(MIT)及其 CLAP、AST 模型。
  • 渲染用的 Remotion 有自己的许可:个人和 3 人以内的公司免费,更大的公司需要购买公司授权。
  • 动态表情:Google Noto Emoji Animation(CC BY 4.0),视频里请署名「Animated emoji: Google Noto」。
  • 地图:world-atlas(ISC,数据来自 Natural Earth,公有领域)、d3-geo、topojson-client(ISC)。涉及中国边界的正式发布内容,请按国内相关规范另行核对。
  • 语音识别:whisper.cpp(MIT)。云端生成走 Renoise(用你自己的账号和积分);可选 TTS 用 小米 MiMo。
  • WorkBuddy 示例里的课程截图来自原作者自己的课程。示例视频是各自作者的作品,请不要当成自己的作品二次上传。

详见 THIRD_PARTY.md。


原作者 Berryxia(andyhuo520/digital-human-koubo)· 本地 ComfyUI 路线 walksky · 用 Claude Code 做的 · 有帮助的话点个 ⭐,让更多人看到。

// faq

What is digital-human-koubo-comfyui?

一张照片生成 AI 数字人口播:本地 ComfyUI 全流程(Qwen3-TTS 克隆声音 + MiniMax H3 对口型 + Qwen Image + Music 3),不花积分;5 种剪辑风格 + 48 个博主级包装组件。AI digital-human talking-head videos from one photo, generated locally with ComfyUI (Qwen3-TTS + MiniMax H3 lip sync), no credits. Agent skill for Claude Code / Codex / OpenClaw / WorkBuddy …. It is open-source on GitHub.

Is digital-human-koubo-comfyui free to use?

digital-human-koubo-comfyui is open-source under the MIT license, so it is free to use.

What category does digital-human-koubo-comfyui belong to?

digital-human-koubo-comfyui is listed under skills in the Claudeers registry of Claude-compatible tools.

6 views
★ 31 stars
unclaimed
updated 4 days ago

// embed badge

digital-human-koubo-comfyui on Claudeers
[![Claudeers](https://claudeers.com/api/badge/digital-human-koubo-comfyui.svg)](https://claudeers.com/digital-human-koubo-comfyui)

// retro hit counter

digital-human-koubo-comfyui hit counter
[![Hits](https://claudeers.com/api/counter/digital-human-koubo-comfyui.svg)](https://claudeers.com/digital-human-koubo-comfyui)

// reviews

// guestbook

0/500

// related in Claude Skills

🔓

An agentic skills framework & software development methodology that works.

// skillsobra/⟨Shell⟩★ 314,126◷ MIT[ claude ]
🔓

Public repository for Agent Skills

// skillsanthropics/⟨Python⟩★ 188,182[ claude ]
🔓

AI coding assistant skill (Claude Code, Codex, OpenCode, Cursor, Gemini CLI, and more). Turn any folder of code, SQL schemas, R scripts, shell scripts, docs,…

// skillsGraphify-Labs/⟨Python⟩★ 149,064◷ MIT[ claude ]
🔓

💫 Toolkit to help you get started with Spec-Driven Development

// skillsgithub/⟨Python⟩★ 148,200◷ MIT[ claude ]
→ see how digital-human-koubo-comfyui connects across the ecosystem