知识付费讲师数字人 Course Avatar

知识付费讲师数字人

课程视频跟带货视频最大的不同：观众来看的不是你的脸，是你屏幕上的东西。

这句话不是审美判断，是成本判断。jimeng-omnihuman-1.5 按音频秒数计费，1080p 是 23 积分/秒。一节 20 分钟的课全程用数字人驱动：

1200 秒 × 23 = 27600 积分（驱动）

而同样一节课，讲师只在开场、章节转场、结尾露脸（约 110 秒），其余画面是课件 + 配音：

110 秒 × 23 = 2530 积分（驱动）  ——  省掉 90.8%

算上配音，两条路线的全成本是 2640 对 27840，详见下面的"露脸预算"。

省下的 25000 积分不是靠妥协换来的，成片反而更像一门正经的课。 全程一张脸对着你讲 20 分钟，是知识付费里完播率最差的形态之一。

所以这个技能的核心不是"怎么把数字人做得更真"，而是怎么把数字人用在该用的 110 秒上，剩下的交给课件。底图配方解决前者，露脸预算解决后者。

何时使用

• 做小鹅通 / 腾讯课堂 / 知识星球 / B 站 / YouTube 的付费课或公开课
• 企业内训、SOP 培训、新员工入职课程
• 一门课几十节，需要同一个讲师形象跨集稳定复用
• 已有 PPT / 讲义 / 文档，想变成有讲师出镜的课程视频
• 真人讲师没时间录制，或需要多语言版本

不适用于：单条知识口播短视频（用 dlazy-short-video，竖屏逻辑不同）、纯课件无讲师的文档转视频（直接 dlazy chat --skill file-to-video）、数学公式推导动画（那是 math-explainer-video 模板的活）。

与带货版的根本差异

如果你用过 dlazy-ecommerce-avatar，这五处是不能照搬的：

尺寸参数尤其容易串。带货是 --size 2160x3840，课程是 --size 3840x2160——写反了不报错，出一张竖图，然后你会在装配那一步才发现。

五条硬约束

1. 横屏直接上 4K，不额外花钱。

gpt-image-2 的计费只看 --quality 和有没有参考图，完全不看 --size（源码核对：config/models/gpt-image-2.ts 的 costs）。所以：

--size 2048x1152 --quality high   →  37 积分
--size 3840x2160 --quality high   →  37 积分   ← 同价，直接用这个

横屏的 16:9 有两档（2048x1152 / 3840x2160），竖屏只有 4K 一档（2160x3840）。既然同价，中等档只在你需要小文件时才有意义。

注意 1536x1024 是 3:2 不是 16:9，拿去做课程封面会被平台裁掉两边。

2. 底图要给内容留位置。

课程画面的左侧（或右侧）三分之二要放 PPT、板书、代码、图表。讲师站在剩下的三分之一里。

这意味着底图不能居中构图——居中的人像叠上课件，要么挡内容，要么只能缩成一个小圆窗浪费掉整张 4K。配方 11 是为此专门写的，课程主力就用它。

反过来，开场白和结尾这两段没有课件，用配方 12 的全画幅中近景，视觉上形成"打招呼 → 讲内容 → 总结"的节奏。

3. 一门课的底图必须一次定死。

带货可以每条视频换个人设，课程不行。第 3 节的讲师换了件衣服，观众立刻出戏。

开课前把底图存成文件，之后几十节全部引用同一个文件。 不要指望同一段 prompt 能复现同一张脸——两次采样出的不是一个人。详见"保持同一张脸"。

4. 时长是硬上限，一节课要切几十段。

jimeng-omnihuman-1.5 的音频上限：1080p ≤ 30 秒，720p ≤ 60 秒。

按每秒 4.5 字算（实测 qwen-tts 为 4.54~4.71 字/秒），30 秒 ≈ 130 字。而 qwen-tts 自己的 prompt 上限是 512 字符——中文一个字算一个字符，加标点后 130 字很安全。

写讲稿时就按 110~130 字一段切好，别写完 20 分钟才回头切，语气会断。

5. 中文 prompt 走 --input JSON 文件。

用 shell 变量拼中文，在 Windows 上会静默变乱码——命令照样返回 ok: true，但出图跟 prompt 毫无关系。批量生产一律：

dlazy gpt-image-2 --input @payload.json --save ./lecturer/base.png

详见 troubleshooting.md 的"编码陷阱"。不确定参数时先 --dry-run，打印载荷和积分预估，不出图不扣分。

露脸预算

这是本技能最该记住的一张表。以一节 20 分钟的课为例：

对照全程驱动的 27840 积分（27600 驱动 + 240 TTS）。同一节课，差 10 倍以上。

正文那 18 分钟只要 60 积分，是因为 qwen-tts 固定 6 积分一次，与字数无关（源码核对：costs 直接 return 6）。由此得到一条不显然的优化：

正文段不做驱动，不受 30 秒时长限制，所以每次调用应该把 512 字符写满。

写满是 10 次调用 60 积分；如果沿用露脸段那种 130 字一段的切法，同样的内容要 38 次调用 228 积分。白花 168 积分买了同一段音频。 露脸段受驱动的 30 秒上限约束只能切短，正文段没有这个约束——两者的切法必须分开。

想再省，两个杠杆：

• 降到 720p：15 积分/秒，再省 35%。讲师小窗在 720p 下完全够用——它在成片里只占画面的六分之一，观众看不出差别。全画幅的开场结尾建议留在 1080p。
• 章节转场用静态卡：把 6 次转场里的一半换成纯课件动画，只保留关键章节露脸，再省 700 左右。

不要省的地方是底图那 37 积分。 一张底图要服务几十节课，摊下来趋近于零；底图不合格导致驱动失败，一次就是几百上千积分。

流水线

① 底图     gpt-image-2 (2000字) / seedream-5.0 (500字)   ← 提示词杠杆全在这
② 讲稿     claude-sonnet-5 / qwen3.8-max                  ← 按 110~130 字/段切好
③ 配音     qwen-tts (512字符上限) / doubao-tts            ← 全课必须同一音色
④ 驱动     jimeng-omnihuman-1.5 (300字, ≤30秒@1080p)      ← 只做露脸段；单点依赖
⑤ 课件     Remotion 模板 / gpt-image-2 出静态板           ← 正文主体在这
⑥ 装配     dlazy chat --skill file-to-video               ← CLI 本身不做合成

CLI 没有视频合成能力。 dlazy 是模型调用器，没有 merge / concat 命令。要交付 mp4，最后一步必须走沙箱模板或你自己的 ffmpeg。

④ 是单点依赖。 5 个数字人模型里只有 jimeng-omnihuman-1.5 吃「静态图 + 音频」，其余四个都要「现成的说话视频 + 音频」才能换口型。它一挂整条链路就断，降级成本翻倍。

⑤ 是课程版真正的主战场。 带货版这一层只是插几个产品空镜，课程版这一层是全片 90% 的画面。file-to-video 模板能把 PPT / Word / PDF 直接解析成带旁白和字幕的课件视频，讲师片段作为素材叠进去。完整命令见 pipeline.md。

配方索引

recipes.md 里有 16 条配方，参数全部经源码核对，可直接粘贴执行。

选不动就用 配方 11 + 配方 12 这一对：11 出正文用的偏侧构图，12 出开场结尾用的全画幅，同一人设两个机位，一门课就够了。

保持同一张脸

一门课几十节，人设一致性是刚需。三种做法，从稳到弱：

1. 存图复用（唯一推荐）——第一次满意后把底图存成文件，全课引用同一个文件，脸 100% 一致
2. 参考图重绘——gpt-image-2 --images base.png --prompt "同一人物，换成..."，能换背景保住脸，但积分从 37 涨到 60（有参考图时 high 档计费不同），且跨集微妙差异会累积
3. 纯文字复现——不要用。同样的 prompt 两次出的脸不是一个人

配方 11 / 12 / 13 是同一人设的三个机位，必须用做法 2 从同一张底图派生，不要各自独立生成——否则三个机位是三个人。

认证

dlazy login          # 设备码流程，自动保存 key
dlazy auth set KEY   # 已有 key 时直接写入

Key 从 https://dlazy.com/dashboard/organization/api-key 获取，保存在 ~/.dlazy/config.json。也可用 DLAZY_API_KEY 环境变量按次传入。

积分不足返回 insufficient_balance，充值入口：https://dlazy.com/dashboard/organization/settings?tab=credits

Reference Map