电商带货数字人口播

做一条带货口播视频，画面质量的胜负在底图就已经定了。

数字人模型（omnihuman / videoretalk / heygen）是音频驱动的口型与体态重建，它不重画你的人。jimeng-omnihuman-1.5 的提示词上限只有 300 字符且可选，videoretalk、heygen-lipsync-speed、sync-lipsync-3 根本没有 prompt 字段。所以"让画面更真实细腻"这件事，写在数字人这一步是没有杠杆的——要写在生成底图那一步，那里 gpt-image-2 能吃 2000 字符。

差了 6.7 倍。这个技能就是把杠杆用在有杠杆的那一步。

（实际配方每条约 450~500 字符，远没到 2000 上限——重点不是写得长，是写得准：那 450 字里有一半在描述光比、焦段、皮肤质感和驱动约束，这些才是"真实细腻"的来源。）

何时使用

• 要做抖音 / TikTok Shop / 视频号 / Shopee 的带货口播视频
• 要一个稳定复用的虚拟主播形象（同一张脸出多条视频）
• 已经有数字人视频但"看着假"、"嘴部糊"、"手很怪"，需要回到底图定位问题
• 要给一个商品从零做出成片：选题 → 脚本 → 配音 → 数字人 → 空镜 → 装配

不适用于：真人出镜的口型替换（那是 videoretalk 直接上，不需要底图）、纯商品图（用 dlazy-image-guide）。

五条硬约束

这五条决定成败，先记住再动手。

1. 底图必须"可驱动"，不是"好看"。

数字人模型对底图有硬性要求，违反了口型和体态会直接崩：

一张漂亮但侧脸 45° 的图，驱动出来嘴会飘。这是最常见的失败原因。

2. 时长是硬上限，超了要分段。

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

一条 60 秒的带货口播，1080p 下必须切成 2~3 段分别驱动再拼接。写脚本时就按 25 秒一段来分，不要写完了才发现要重切。

3. 尺寸参数六种写法互不通用，写错整次 400，积分不退。

带货视频要竖屏 9:16：

• gpt-image-2 → --size 2160x3840（4K 竖屏）或 1024x1536（2:3，注意不是 9:16）
• seedream-5.0 → --size 9:16 --resolution 4k
• banana-pro → --aspectRatio 9:16 --imageSize 4K
• qwen-image-2-pro → --size 1536*2688

gpt-image-2 没有 9:16 的中等尺寸，只有 2160x3840 这一个竖屏 4K 选项和 1024x1536（2:3）。要 9:16 又不想上 4K，用 seedream-5.0。

4. 中文 prompt 走 --input JSON 文件，不要用 shell 变量拼。

用 $(...) 把中文塞进命令行，在 Windows 上会静默变成乱码——命令依然返回 ok: true，但出图跟 prompt 毫无关系（通常是一张不知所云的"通用美女写真"）。实测踩过，排查成本很高。批量生产一律：

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

详见 troubleshooting.md 的"编码陷阱"一节。

5. 不确定先 --dry-run。 打印载荷和积分预估，不出图不扣分：

dlazy gpt-image-2 --prompt "..." --size 2160x3840 --quality high --dry-run

五层流水线

① 底图     gpt-image-2 (2000字) / seedream-5.0 (500字)   ← 提示词杠杆全在这
② 脚本     claude-sonnet-5 / qwen3.8-max                  ← 按 25 秒/段切好
③ 配音     qwen-tts (512字上限) / doubao-tts              ← 超 512 整次 400
④ 驱动     jimeng-omnihuman-1.5 (300字, ≤30秒@1080p)      ← 只写运镜和幅度；单点依赖
⑤ 空镜     seedance-2.5 / kling-v3                        ← 长 prompt 全吃
⑥ 装配     dlazy chat --skill product-to-ecommerce-video  ← CLI 本身不做合成

CLI 没有视频合成能力——它是模型调用器。要交付一个 mp4，最后一步必须走沙箱模板（dlazy chat --skill ...）或你自己的 ffmpeg。别指望 dlazy 有 merge 命令。

六层的输出规格互不相同。 omnihuman 720p 档出 704x1248@25fps/24000Hz 单声道，seedance-2.5 出 720x1280@24fps/32000Hz 立体声——拼接必须全重编码，-c copy 会让时间戳错位。详见 pipeline.md ⑥。

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——降级要走「i2v 生成说话视频 → videoretalk 对口型」，成本翻倍。详见 pipeline.md。

完整逐步命令见 pipeline.md。

配方索引

recipes.md 里有 18 条经过参数校验的底图配方，每条都是可直接粘贴执行的完整命令。

选不动就用 配方 01：白底极简是转化率最稳的带货底图，也是最不容易驱动失败的。

保持同一张脸

带货账号要靠人设复用。三种做法，从稳到弱：

1. 存图复用（推荐）——第一次生成满意后把底图存下来，之后所有视频都用同一个文件，脸 100% 一致
2. 参考图重绘——gpt-image-2 --images base.png --prompt "同一人物，换成..."，能换背景服装保住脸，积分翻倍（33 起）
3. 纯文字复现——不要指望，同样的 prompt 两次出的脸不是一个人

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