开放求教 · 工具选型
AI 数字人短视频「全自动生产线」，到底什么工具组合最完美？
我们把这条生产线拆成 6 个环节，每环列出 2026 年的主流候选和我们目前的取舍。 不是「求大佬告诉我用啥」，而是把认知摆出来，请真正跑通过全自动数字人线的人补刀。目标：全自动、可日更、中文、能过平台。
6 个环节 · 工具候选与取舍
脚本 / 选题
我们倾向：LLM 批量产脚本（Claude / GPT / Gemini）
现成口播脚本模板、热点选题库；我们想要的是「事件驱动」而不是 PPT 念稿。
数字人形象 / 口型
我们倾向：HeyGen / Synthesia（稳）· Hedra（口型评测 9/10）· D-ID（API 最便宜）
Kling 3.0（角色解剖学一致）、DeepBrain、Colossyan（免费额度大）、Elai（克隆自己）。卡点：中文口型 + 形象稳定 + 不要塑料感。
声音 / TTS / 克隆
我们倾向：商用：ElevenLabs；开源：Coqui XTTS v2（多语言、可本地）
Resemble、各家自带 TTS。卡点：中文自然度 + 情绪 + 和口型对齐。
B-roll / 画面素材
我们倾向：图生视频补镜头（Kling / Runway / Veo）
库存素材 + 截屏 + 真实拍摄混剪。卡点：和数字人主体风格统一。
剪辑 / 合成 / 字幕
我们倾向：Remotion（代码化）/ 剪映 / CapCut · 自动字幕
FFmpeg 脚本化批处理。卡点：节奏（每 8–12 秒一个点）+ 字幕样式统一。
编排 / 自动化
我们倾向：n8n 串全流程（脚本→TTS→数字人→剪辑→发布）
自研 Python pipeline + 队列。卡点：哪一环必须留人工、哪一环能全自动。
为什么公开问
数字人这条赛道工具太多、迭代太快，单独看每个工具的评测没用——真正难的是「组合」：哪几个拼起来能端到端跑通、又便宜又能日更。我们宁可公开认知、被人挑错，也不想闷头试错烧钱。
想请高手补刀的 4 个问题
- 如果目标是「全自动、可日更、中文、能过平台」，6 个环节你会各选什么？哪个组合性价比最高？
- 中文口型 + 声音情绪，2026 年现在哪套最自然？HeyGen 中文够吗，还是 Kling/Hedra + ElevenLabs 更好？
- 哪些环节一定要留人工卡口（不然质量崩），哪些可以放心全自动？
- 成本怎么压？商用 SaaS 按条烧钱 vs 开源自建（XTTS / 本地模型）省钱但要运维，临界点在哪？
我们的约束（背景）
- 中文内容，目标平台：抖音 / 小红书 / 视频号 / YouTube Shorts
- 要能「日更」——所以单条成本和人工介入越低越好
- 不用真人脸、不换脸；数字人是原创虚拟形象
- 有本地算力（NAS / 自己的机器）可以挂开源方案，不是只能用 SaaS
回应方式
如果你真跑通过全自动数字人线——无论是 SaaS 组合还是开源自建——欢迎来拍砖、丢你的工具栈。 我们会把收到的方案整理成一篇公开的「数字人生产线选型对照」，注明来源。这是「AI 工具避坑实验室」的选型公开课。
开放求教 · 工具栈持续更新 · 我们会把可行方案整理回这一页。