想做不露脸的口播数字人，动作是最难啃的一块。纯靠语言描述让模型生成动作，幅度、节奏都很难精准控制；传统的数字人模型（比如 HeyGen 的 Avatar 5）动作幅度也有限。想从零开始做，反而是视频模型更合适。
最近花了几百美金实测下来，一个更直接的路子是：直接蒸馏现有博主的风格。说白了，世界就是个巨大的蒸馏——把成熟博主的动作控制方式提炼出来，复用到自己的数字人上，比一句句写提示词调动作要稳得多。
实测对比下来，Seedance 模型的效果最好；如果看重本地部署的成本，MiniMax-H3 最便宜。目前已经蒸馏了 4 个博主的动作控制，仓库里还会持续更新各个博主的动作蒸馏，里面有秋芝的蒸馏风格版本演示，可以先看效果再决定跟不跟。
开源仓库：https://github.com/Pluviobyte/awesome-talking-head-skills
配套还有一篇保姆级教程：从人物动作、对口型，到空镜插片、花字和背景音乐，全程只在一个 Agent（Codex）对话框里跑完，没打开过剪映或 Premiere。搭配也简单，一个支持 MCP 的 Agent 就够了。
正文完