laohan-laowai — 老外博主复刻数字人全流程

使命与合同

用选定形象、专属音色与教育/文化内容制作数字人口播。本skill是七阶段总控，本机/服务器CLI自动化，不走网页向导；确需基础素材时才按项目授权调用产品API。首个Deborah/海思博士案例是历史实例，当前形象/稿件/接受状态以各项目STATUS为准；用户当前指令和项目合同优先于本skill。

七阶段流程

先分流再执行：按稳定的博主/形象身份查项目声音资产登记。同一博主后续视频默认复用同一个已选模型版本；换集数、稿件、服装、场景或参考风格不等于新博主，也不触发重新训练。已有形象素材先核本期适用性，不强制重下载整套训练素材。新博主缺模型才从①/②首建；有备份但运行目录缺失时恢复组装，不重新训练。详细分流与依赖核对见 yinse 第0步。

① 博主选型与资料包

• 选型标准：教育者可信度 > 第一视角口播形态（talking head，非 vlog/skit/旁白）> 数据 > 类型差异
• 下载 5-8 条视频（laohan-xiazai：TikTok 用 yt-dlp 直下）+ info.json 元数据
• 口播形态逐帧验证（抽帧+视觉模型确认正脸对镜头说话；抽帧落在无字幕间隙≠干净，必须多点验证）
• 选定博主不等于肖像/音色使用权、学历与亲历陈述已核实；不能以“改用虚构姓名”或“尚未商业化”宣称这些问题已解决。按项目合同核身份/来源/使用范围，不冒用真人身份、履历或接受记录。
• 换/加博主同步当前项目的素材追踪清单；素材数量与历史流量只作取样依据，实际可用性需本期核验。

② 声音资产（已验模型为前置，默认复用）

调用 skill laohan-yinse 第0步：先核本博主既有模型版本、权重SHA、底模/配置、参考音频及逐字文本、原验收证据。可用则直达第7步生成本期配音；需恢复则只恢复同一模型。确无已建模型才按8–10分钟净语料→服务器微调→回迁/登记/验收首建。重新训练或切换默认模型须有具名原因与负责人明确决定，新版本另存，不覆盖已选版和回滚资产。

③ 形象素材处理

• 分清入口限制：竖版/短边≥720/时长≥8秒/≤30fps/MP4/<200MB是历史产品资产上传要求，不能当当前same-voice CLI的通用硬门；确需产品上传先读该产品现行合同。same-voice按当前工具核输入与几何，prepare转25fps并保持源画幅；原生清晰度、正脸/嘴部可见、字幕/遮挡与连续画面由本期视觉检查裁决，不靠升采样冒称细节达标。
• 不把产品上传门当same-voice适配验收：576宽可通过本机prepare不证明TBDub实际效果；720宽也不证明全程无字/无遮挡。连续检查并先做已授权小样，不能拿几张无字截图保证整段干净。
• 字幕必须去除（会被引擎复制进成片）：博主视频普遍带字幕 → 底部 crop 或换无字幕条；多点抽帧验证（首/中/尾/多段）
• 转码H.264、保存clean素材和剪辑边界/SHA；项目方法入口按项目INDEX读取，不恢复旧docs/dh-production-guide.md根路径。

④ 形象与声音资产（复用已有素材，不走产品注册）

• 形象素材：已有博主视频直接复用（prepare 前多点抽帧验证全程同一正脸；开头 B-roll 插入画面必须掐掉——见⑤坑）
• 声音：laohan-yinse 微调模型整稿合成（见②调用，24kHz PCM16 WAV 由 yinse 第 7 步产出）
• 产品 avatar-assets/voice-assets API 注册 已淘汰（2026-10-28）：那是产品网页向导链（零样本参考录音+29积分/次渲染），与本 skill 的 same-voice 路线互斥，且违反"声音不走零样本"红线。历史踩坑记录（MIME 显式 type / consentVersion=voice-reference-v2 / loudnorm 电平门禁）仅当未来确需产品链时参考。

⑤ 同声口型渲染（DH-ROUTE 路线④，2026-10-28 实战验证——唯一正确流程）

方法真源：~/Documents/laohanvideo/motion/mastery/DH-ROUTE.md + motion/tools/README-same-voice.md（本节只是入口索引，冲突以真源为准）。

DH-ROUTE是Jeffrey/Motion项目的方法；本项目借用同声工具、时钟与资源保护，不继承其v3-05、历史首单验收/发布、Motion接入状态或提前候选授权。当前博主用自己的已验模型，本期输入/接受/发布仍看本项目合同与STATUS。以下motion/...命令从~/Documents/laohanvideo根执行，本项目音频/形象/输出均用真实绝对路径，不在当前内容项目臆造motion目录。

不走的路（都验证过不是正路）：产品 lease/operations 报价链（29积分/次，网页向导已淘汰）、ispeech 图+音频（另一条产品链）、直控生产 worker。

① 最终 WAV：音色模型在 pro6000-a 合成整稿（laohan-yinse 流程）→ 24kHz 单声道 PCM16
② 形象素材：已有素材直接复用（无需产品订单）
③ Mac prepare：python3 motion/tools/same-voice-local.py prepare \
     --audio <24k.wav绝对路径> --avatar <形象.mp4绝对路径> --max-input-frames <本期已核上限> --out <全新目录绝对路径>
④ validate manifest → 上传 manifest/inputs/chunks/run-same-voice-remote.py 到
   pro6000-a:/root/autodl-tmp/laohan/motion-same-voice/<小写实验名>/
⑤ 预检（无 --run）→ 真跑：--run（total_timeout 3600s，单块 480s 上限）
⑥ Mac assemble：same-voice-local.py assemble → same-voice-candidate.mp4（原 WAV 主声）

坑（全部实战踩过）：

• ★形象素材开头可能是插入 B-roll（案例画面）——prepare 前多点抽帧验证全程同一正脸；mediapipe 丢脸 >10 帧直接 RuntimeError（chunk-001 判例：开头 5 秒小女孩 B-roll）
• ★生产活动保护触发即保存STOP现场。仅旧执行者及子进程组退出、检查点SHA/原基线/原范围/原截止均满足时，才按README显式恢复一次；生产基线改变不能用resume重置，更不能换目录无限重试同一失败块。
• 音频必须24k单声道PCM16；分块上限在11—300内按本期几何/算力已核条件选择并记录。180仅是pro6000-a/1080×1920的历史参考，不保证其他几何内存安全；不提高20GiB等冻结阈值、不改已运行manifest绕过恢复约束
• 冻结SHA对象是安全模块/root/autodl-tmp/laohan/motion-method-v2-20261019/run-isolated-pilot.py，须等于469d820e11e5b89820a2c3874c08553ed83dfb8cb18952bbc20dd83b4b471487。本次上传的run-same-voice-remote.py另记实际SHA，不能拿469d当其文件SHA或编造校验参数
• 完成证据：assemble产物全帧数与清单相符，ffmpeg完整解码无错误（ffprobe只核元数据/帧数）；状态为候选待连续复看与Jeffrey接受。

Motion模板包装、字幕与BGM按本期已核交付范围执行。只交口型样片时不擅自扩为模板项目；需要完整Motion包装时再加载V4/PIPELINE及其生产门，不能把口型机械通过当模板或全片验收。

⑤.4 音频听审卡点（2026-10-28 补录）

⑤ 的 prepare/推理启动前，最终 WAV 必须已过 Jeffrey 整轨听审（听感不过→回 yinse 第 7 步调整重合成，不进推理浪费 GPU）。

⑤.5 成片统一加速（老方法既有项，2026-10-28 补录——别漏）

倍率按本期确认；未选档不自动套1.05/1.10。先查Motion交付链或其他上游是否已应用speed，记录来源与累计倍率，只在一个明确阶段应用一次。下面仅用于音画已对齐且同起点的输入，不用各自归零掩盖原有偏移；它是派生示例，不是免测的同步保证：

ffmpeg -n -i <成片>.mp4 -filter_complex "[0:v]settb=AVTB,setpts=(PTS-STARTPTS)/<S>[v];[0:a]asetpts=PTS-STARTPTS,atempo=<S>[a]" -map "[v]" -map "[a]" -fps_mode vfr -enc_time_base:v filter -c:v libx264 -crf 22 -c:a aac -b:a 128k <加速版>.mp4
# S 常用 1.05（微紧凑）/1.10（抖音节奏），音高不变；首期 Jeffrey 选档后每期固定
# 输出帧率策略还须满足本期交付合同；需要CFR时另核帧取整与首尾偏移，不把vfr当平台通用要求
# 单独atempo声音而不调整画面会破坏原唇音时钟，不用来冒充同因子派生

加速版是新派生：记录倍率、输入与输出SHA、A/V起点与时长；外置字幕/词锚先按倍率换算，再对派生实际音频复核，不能只凭理论除倍率。已烧录字幕随画面变速，不再重复施加倍率；若实听词锚错位则重制字幕。atempo也可能改变局部边界，重跑受影响的听感、首末词、唇音/累计偏移、接缝和机械门，通过后才可复用原推理结果；不过则保留原速或另做有证据的修正，不以同因子免验。原WAV作为来源保留，不宣称加速后音轨与其逐样本一致，不直接沿用旧SRT。

⑥ 后期

• 字幕：中文大在上、英文小在下（同屏成对；英文口播，中文主读、英文辅读）
• 字幕先看本期实际画面再排：按语义切短句；字体/颜色/底条是本期设计选择，未获接受的样式不得写成通用“美观公式”。只改字幕时，用本期已核无字幕底片本机另存新候选，直接复用原音轨及口型时钟；保留旧片、原音轨、模型与回滚资产，不重复训练/口型、不进入模型清理。
• 抖音遮挡检查：整块字幕须避开底部标题/文案/账号/导航与右侧互动栏，并避开人物嘴部；按字形、描边、阴影及底条/背景框（如有）的完整视觉边界检查。同屏中英之间也检查实际字形间距，只测合并外框不能证明内部不叠字。分别实看中文/英文最长实际条目、各自多行条（如有）及不同背景，不能只核MarginV或首帧；没有多行记不适用，不为检查强造两行，三行过密/相撞/超界时先重分句再测。优先核当前平台/剪辑器的实际预览；只能用自定遮挡模拟时，标明模拟尺寸与假设，不能把经验像素说成官方通用安全区或保证所有机型不挡。字幕样片仍交Jeffrey接受。
• BGM按本期要求选择并避让人声；违规检测绑定当前稿与当前版本，不复用其他批次CLEAR。
• AI平台声明与片内水印分别按当前项目合同、Jeffrey最新明确指令及适用平台要求核对；不因skill的历史例子自行改开关或宣称覆盖所有项目合规条款。包装/字幕仅在本期要求范围内执行。

⑦ 发布与复盘

• 抖音账号注册、养号与发布时间由Jeffrey主导；不把“养号2–3天”当平台硬规定或流量保证。账号装修按本期已确认人设，不自动搬用旧专家履历。
• 数据：opencli douyin stats/videos 拉取；10 条内决策点（引流款 vs 人设款占比调整）
• 发布前单独核：目标账号身份/登录态就绪、当前项目要求的片内AI标识与平台声明已核、当前候选的发布批准明确。只记账号标识/就绪结论，不归档凭据；缺项只阻发布，不把内容接受冒作发布许可，也不阻无关素材准备

完成证据（四道质量门，源自 Jeffrey 声音方法 v2.2，缺一不可）

① 听感门：本期最终WAV绑定SHA且Jeffrey整轨听审通过，之后才做口型；② 唇音同步门：连续播放复看口型、节奏与接缝；③ 机械门：帧数/时钟一致、ffmpeg完整解码无错误、响度实测，ffprobe只负责元数据；④ 成片接受门：Jeffrey看片明确接受。候选可在技术检查后交看片，发布批准另按项目合同处理，不把机械绿、候选交付或片子接受冒作已发布。

声音绑定与登记纪律（DH-ROUTE §五，2026-10-28 补录）

• 每期声音记录绑定完整 WAV 的路径/SHA/采样数/实测时长/听感接受记录；ASR、字幕、口型、后续混音共用本期绑定，新稿必有新 WAV
• 候选 ≠ 验收：听审PENDING只能登记声音试听/文档候选，不放行本项目prepare或口型推理；最终整轨听审与本期SHA绑定后才交口型，接受后记录真实结论，不挪用参考项目的历史提前候选授权

故障诊断顺序（源自声音方法 §4，补录）

• 口型跟不上/错位 → 先查音轨再重合成：①核成片音轨=本次 WAV（时长/身份）②查时间轴 PTS 偏移（管线侧问题）③确属语速问题才回重合成（换沉稳参考+重过听感门）
• 音色不像 → 核风格路由 → 换相邻风格对比 → 仍不像报 Jeffrey（触发重训评估）
• GPU准入/止损（与生产共卡）：合成前显存>10G；卡>5分钟或生产桥报错→按yinse任务启动收据重新核PID/PGID、命令与cwd，只停已核本任务独立组并确认退出。无法核归属则保留现场报告；不按进程名批量杀、不动生产bridge/服务、不盲重试
• 凭据零入档：lease/token 只存在于运行时内存与既定凭证文件，不写进 skill/项目档案/git

反触发（不用本 skill 的场景）

• 真人实拍/老韩本人出镜项目（走 laohanvideo 真人路线）
• 只做选题/文案/装修（单一环节走对应 skill：chuangzuo/weigui 等；本 skill 是复刻数字人全流程总控）
• 声音模型单环节细节（进入 laohan-yinse，本 skill 只在②处调用它）

失败路径

• 声音模型未建成 → 全流程停在②，不跳过训练直接渲染（零样本已被禁用）
• 形象素材字幕去不净/硬门槛不达 → 换素材条或重新选型，不降门槛上传
• 渲染链失败 → 按DH-ROUTE/README保留失败现场、原预算和检查点，执行其有限恢复条件；不得新增“再试三次”、换目录清零失败次数或退回网页/产品链绕路。
• 验收不过按原因回退：画质/遮挡等视觉问题回本期素材候选；音色/自然度回yinse核数据、模型和参考；口型问题先核音轨身份、PTS和接缝再决定重算。保留原STOP/预算/检查点，不一律换人、不硬发

关键红线

1. 正式声音必须本博主服务器微调；基模仅作同条件A/B基线，不进正式WAV/口型交付，不据此调用产品零样本绕路
2. 当前同声路线用本机/服务器CLI，不退回网页向导；基础素材API须另按项目现有授权
3. 不冒充真实存在的人（虚构人设身份）
4. pro6000-a 是生产算力机：训练限 cosyvoice-train 目录，不碰生产进程
5. 当前用户与项目合同优先；历史案例不授权更改平台声明、片内标识或覆盖安全/验收要求

素材资产清单（每个博主资料包标准结构）

assets/
  persona-candidates/  原始视频（形象候选）
  upload/              形象上传母版（无字幕/达标）
  voice-training/      声音素材（逐条 WAV + 拼接主素材）
  voice-models/        长期声音资产：已选权重、回滚版、参考音频/文本、配置与voice-asset.json
  benchmark/           对标视频库+转录
docs/
  INDEX.md            按当前项目索引进入人设、脚本、运营；不假定旧根路径仍有效

清理临时产物，保护长期声音资产

• 本地与服务器一体核对，先读项目存储规则和本博主 voice-asset.json。模型是跨期资产，不是本期垃圾：已选权重、明确保留的回滚版、参考池WAV/逐字文本、配置/底模版本依赖、合成入口与验收/来源/SHA登记均长期保留。存于 data/、exp/、model-* 或任务runtime内也不改变其保护身份；未完成验收的候选按待裁决状态保留，不因“尚未接受”就删。
• 后续仍用的服务器推理目录继续保留复用，不执行“回迁完即删服务器副本”。确要撤下该副本，须先核本地完整归档及SHA、在目标环境恢复加载与短句合成通过、默认模型路径已切换且原路径不再被脚本/登记/在途任务使用；只有文件存在或复制成功不满足条件。最后可用副本、参考对或必要配置不得进入过程清理。
• 仅对已终结且无消费者的本任务临时包、可重建特征、已不再消费的口型缓存、冗余检查点等逐项计划清理。禁止按通配符或整目录清 data-*/model-*/exp//runtime；父目录内有保护资产或依赖即排除，内部链接也先核恢复用途。按项目既有 guard 的 plan→复核→apply 与逐项回执执行，不用裸 rm 绕门。
• voice-asset.json 是执行者必须读取的资产登记，不冒称现有 guard 已自动解析它；自动清单范围内的保护项须另登记为非 temporary/checkpoint 的保护类型并保留消费者，范围外资产不得为纳入清单而扩大删除根。无法核完整依赖或安全归属时停止该项清理，不以重训兜底。
• PAUSE 等协调文件只有本任务拥有且已无协调用途才释放；不动其他工作线、共享底模/环境、生产服务或他人资产。正式弃用模型另按明确授权处理，不随每期收尾删除。

服务器协作判例（2026-10-28 实战，pro6000-a）

• 网络/worker故障须由具名生产维护任务处置；内容制作不得据历史判例重启worker或结束其它工作线进程。只读核实并让路，只能回收本任务已核身份的离线进程组。
• resume基线变化是保护条件，不能当成“脏了就换目录绕过”。保留原STOP/基线/次数；生产空闲且旧执行者已退后，确需继续时由root按README显式登记尚未计算范围的新有限阶段，不伪造旧阶段成功。
• --expected-checkpoint-sha256是batch-state.json文件本身SHA；内存增量或生产活动保护触发时不提高阈值、不盲重试、不清全局缓存。
• 该SHA在服务器只读运行sha256sum <本次实验绝对目录>/outputs/batch-state.json取得；不是模型权重的checkpoint SHA，也不是manifest SHA。保留原STOP文件不改字节，runner会再次核同一文件与真实成功回执
• 分块断点：从真实batch-state读成功范围。仅已成功0—16块、未算第17块时，零基左闭右开--start-chunk 17 --end-chunk 18才表示18块中的最后一块；它不另授恢复/续时权限。按README核原预算/范围/恢复或显式新有限阶段条件；assemble用--additional-outputs合并，消费旧STOP的成功前缀还必须显式--include-verified-stopped-prefix，逐块核成功退出回执/SHA/几何/帧数，失败块不接纳

kb78769 全链实战判例（2026-10-29 首期出片）

本次环境的排障记录，不是跨输入/机器的最优参数或耗时保证。同一博主下期优先复用已建资产，不重跑首建流程；不得承诺素材30分钟、训练70分钟、字幕20分钟或口型必定一次成功。

素材判定（Qwen听感不可信，用信号法）

• Qwen2.5-Omni-3B 的 music/reverb 判断不可用（校准集实测：加明显合成音乐报"no music"、自然声全报 echo uncertain）——语言模型听感≠声学仪器，只当第三路 ASR 参考
• BGM 判定信号法三步（numpy+soundfile 即可，判据透明）：①源级停顿残留（帧RMS低于floor*1.5且speech-20dB 的帧）②最深停顿 dBFS 接近干净底噪(-49~-60)=否定恒定BGM；③响停顿(>-38dBFS且≥0.3s)总数<1s=否定间歇BGM。残留高但无节拍=高增益词隙尾音，不是音乐
• 转写终稿=Whisper基准+双ASR词级diff+语境裁决（SenseVoice 分词伪影 navaro/fuckinguck 系统性不采；W 把 spaces 听成 's faces 这类靠 S+Q 2:1 纠）
• 孤立环境声(0.3-0.4s)直接弃段不微裁——总量够时弃用优于精修

训练（pro6000-a）

• 入口必须 launch_voice.py pipeline --run --timeout 3600（直接 pipeline --run 会被 STOP）；远端 python 用绝对路径 /root/autodl-tmp/cosyvoice-train/venv/bin/python（非交互 PATH 无 python3）
• 首次组装须区分训练checkpoint与推理权重：训练件含 epoch/step 时另存剥离副本，并登记两份SHA；不原地覆盖训练原件。已有可用推理包直接复用，不为每期重复剥离/新建模型。
• retention 已接线（train-kb78769.sh: single_worker→train_with_retention→train.py）；60段555s 14epoch 实测约70分钟（GPU被抢时会拖30倍）
• 同任务避免重复训练：先核其他工作线的实际任务与资源归属。campplus speaker embedding相似度仅作A/B辅助比较，不替代Jeffrey盲听、本期整轨听审和成片接受，也不因相似度高自动批准模型或新WAV。

口型（same-voice）

• 本次180帧分块触发RAM门，120帧配置完成23块；仅作本期输入/负载的参考，下期重新核几何与资源，不能保证一次跑通。
• 本次曾处理 sample.pkl/file cache；这些是处置记录，不是通用清理授权。缓存仅在任务终结、无恢复/组装消费者且有释放证据时按项处理；共享生产机不自动制造大内存压力或清全局缓存绕过RAM门。
• resume 每批次限一次（attempt==1）；再挂=全新命名空间+--start-chunk/--end-chunk 有限范围，assemble 用 --additional-outputs
• assemble 前上传三件套别漏：manifest.json + inputs/voiceover.wav + chunks/（scp 多文件+tail 截断会漏看错误，传完 find 数文件数）

字幕与成片（Mac 本地）

• brew ffmpeg 9 无 libass（subtitles/ass/drawte 全被砍），远端 AutoDL ffmpeg 也没有；brew install ffmpeg@7（keg-only，用全路径 /opt/homebrew/opt/ffmpeg@7/bin/ffmpeg）
• zsh 坑：滤镜参数含 = 用引号包整串（-vf 'subtitles=/path'）；-vsync 已废弃改 -fps_mode vfr
• 字幕时间轴用全局词流对齐：whisper word_timestamps 词流 × 文案句表（逐句中英对照）做 SequenceMatcher 全局对齐——单锚点 fallback 会连锁错位（thirteen 被识成 13 就脱轨出 7 秒 gap）
• 首期黄字黑底v2仍被Jeffrey否决且字幕偏低；该样式不是已接受模板。后续按⑥的短句/实际字形边界/抖音遮挡检查试排，不固定套用该配色与MarginV；若长句溢为三行或中英相撞，须重新分句与复核时轴，不能仅缩字塞满底部。
• 加速是 setpts=PTS/SP（SP*PTS是减速反方向）；Jeffrey 本期定原速为标准，加速档出对比不默认
• AI 视觉质检会误读形近字（十岁→七岁），对照原文复核再信

交付

• 成片推飞书：node ~/.local/share/github-digest/push-feishu.mjs "文本" 附件.mp4（单附件，多版分多条）
• 每期结束后按「清理临时产物，保护长期声音资产」节逐项处理本地/远端临时产物；先保护模型与参考依赖，输出仍有验收/恢复用途时保留。