你可能看過一支「真人」正對鏡頭講解產品，口型自然、聲音穩定，最後才發現：那個人根本沒有開相機。這就是AI 數字人口播最吸引創作者的地方——同一張授權人像、同一個授權聲音，可以反覆製作知識短片、課程導讀與多語版本。
但真正能長期使用的做法，不是把照片丟進某個網站就祈禱成片自然。這篇專為第一次接觸 API 與 Codex Skill 的創作者寫；不用先會寫程式，我會帶你從素材、安裝、15 秒樣片、人工驗片一路走到完整版，並把最容易燒錢或洩漏金鑰的地方先堵住。
先說結論：AI 數字人口播是一條流水線，不是一個模型
先記住這句公式：AI 數字人口播＝MiniMax 聲音＋HeyGen 畫面＋Codex 流程控制＋人工批准點。MiniMax 把文案念成指定音色；HeyGen 用音訊驅動人像；Codex 依 Skill 檢查素材、記錄工作 ID、輪詢狀態；你負責決定樣片是否過關。
換句話說，Codex 不是替你「演」數字人，而是當製片助理。它把容易忘記的步驟寫成固定順序：素材檢查 → 配音 → 15 秒樣片 → 人工確認 → 完整版 → 下載驗片 → 狀態歸檔。
AI 數字人口播的 4 個角色，各自負責什麼？
- MiniMax＝「配音員」。先用授權錄音建立
voice_id，再以 TTS 把文案輸出成 MP3。現行官方文件列出speech-2.8-hd與speech-2.8-turbo；前者偏品質，後者偏速度與成本。 - HeyGen＝「鏡頭前的人」。使用
type: "image"可直接把人物照片變成影片；若配音已由 MiniMax 生成，就傳入audio_asset_id或audio_url，不要再用另一組script + voice_id覆蓋聲音。 - Codex Skill＝「製片手冊」。Skill 是一個含
SKILL.md、可選腳本與參考檔的資料夾。Codex 在被明確叫用時讀完整流程，照順序檢查、執行與回報。 - 你＝「監製」。聲音像不像、嘴型是否自然、人物是否變形、構圖能否上平台，都不是工作 ID 可以替你回答的問題；所以完整版之前必須保留一個人工批准點。
MiniMax 的現行 Voice Clone 文件、HeyGen 的現行 Image-to-Video 文件與 OpenAI 的Codex Skills 文件，正好對應這三層。工具可以替換，分工方法仍然成立。
先選模式：單次 Image-to-Video，還是長期 Photo Avatar？
第一次測試，先選 Image-to-Video。它直接接受一張 PNG／JPEG 人像，不用先建立可重用 Avatar；上傳 MiniMax 產生的音訊後，就能快速檢查聲音、口型、臉部穩定與 9:16 構圖。
同一個人物要長期出片，再建立 Photo Avatar。Photo Avatar 先經過 POST /v3/avatars 建立 avatar_id，之後可重複使用；本文採用現行支援照片角色的 Avatar IV 路線。若要做影片型 Digital Twin，HeyGen 目前還要求錄製同意影片；這不是後製選項，而是建立 Digital Twin 的前置步驟。
成本先校正：2 分鐘不是一律 US$2
截至 2026 年 7 月 31 日，HeyGen 的Self-Serve API 定價把 Avatar IV Photo Avatar 的 720p／1080p 公開費率列為 US$0.05／秒。用這個最接近的公開類別估算，15 秒約 US$0.75，2 分鐘約 US$6；但定價頁沒有另列 raw type: "image" 的費率欄位，所以這是預算估算，不是 raw-image 帳單承諾。跑完第一支短樣片後，可用 GET /v3/users/me 讀取 wallet 變化，校準自己的實際扣款。
MiniMax 的Pay-as-you-go 定價目前是快速聲音複製每個 voice US$1.50；TTS 的 Turbo 與 HD 分別為每百萬字元 US$60 與 US$100。若用 API Key，HeyGen 從預付 API wallet 扣款；若走 OAuth／MCP，則從 HeyGen 網頁方案扣用量。本文的 15 秒樣片會透過一般 POST /v3/videos 工作建立，並按適用的影片類別計費。
開始前準備 5 樣東西
- 一份短文案：第一次用 15～25 秒即可，先把人名、品牌、數字與英文縮寫寫成容易朗讀的句子。
- 一張已獲授權的人像：正面看鏡頭、嘴部无遮挡、頭肩清楚；直式短片就從接近 9:16 的構圖開始。
- 一段已獲授權的聲音樣本：單人、無背景音樂、少混響、音量穩定。MiniMax 接受 MP3、M4A、WAV，長度 10 秒至 5 分鐘、檔案不超過 20 MB。
- MiniMax 與 HeyGen 帳號／API Key：金鑰放環境變數，不貼進聊天、不寫進 Markdown、不提交 Git。
- Codex 與 Python 3：Python 用來執行公開 Skill 隨附的素材檢查與狀態初始化腳本。
聲音樣本的「合法格式」只是最低門檻。實務上可先錄 30～90 秒自然口播；若要使用 MiniMax 的 clone_prompt 提升穩定度，提示音訊需短於 8 秒，並附上逐字相符的文字。輸出給 HeyGen 時選 MP3，因為 HeyGen 的現行音訊輸入列出 MP3／WAV，而 MiniMax 上傳 clone 樣本接受的 M4A 不在這份 HeyGen 清單內。
還有一個容易漏掉的時鐘：MiniMax 的現行 Voice Cloning 說明指出，快速複製呼叫本身不立即收取複製費；第一次把該 voice_id 用於真正的 TTS 合成時，才收取 US$1.50 並完成啟用。若 168 小時內沒有進行 TTS，暫存 voice 會被刪除；Voice Clone 回傳的示範音訊不算啟用。本文流程會立刻產生完整旁白，因此自然完成這一步。
AI 數字人口播教學：從安裝 Skill 到 15 秒樣片
步驟 1：把公開 Skill 裝到 Codex 現行個人路徑
這次使用 Rachel Wu 以 MIT 授權公開的 rachel-digital-human-production。OpenAI 現行文件把個人 Skill 路徑列為 $HOME/.agents/skills，所以 macOS／Linux 可執行：
mkdir -p "$HOME/.agents/skills" git clone --depth 1 \ https://github.com/Jingyi-Wu-Richael/rachel-digital-human-production.git \ "$HOME/.agents/skills/rachel-digital-human-production"
這個 Skill 的 agents/openai.yaml 關閉隱式叫用，因此要用 $rachel-digital-human-production 明確啟動。Codex 通常會自動偵測新增內容；若選單沒有出現，重開 Codex 再檢查。
步驟 2：建立一個不混雜素材與成品的專案
mkdir -p digital-human-demo/{inputs,work,outputs}
cd digital-human-demo
# 接著把三個檔案放好
# inputs/script.md
# inputs/portrait.jpg
# inputs/voice-source.mp3
這個分層看起來很樸素，卻是能否安全重跑的關鍵。work/job-state.json 只記錄 voice_id、asset_id、video_id、每支影片的 idempotency_key 與狀態；API Key、Authorization header 和暫時下載網址都不該出現在裡面。
步驟 3：用環境變數交給 Codex 金鑰
printf 'MiniMax API Key: ' IFS= read -r -s MINIMAX_API_KEY printf '\nHeyGen API Key: ' IFS= read -r -s HEYGEN_API_KEY printf '\n' export MINIMAX_API_KEY HEYGEN_API_KEY
在啟動 Codex 的同一個 terminal session 執行上面指令；輸入不會回顯，也不會把金鑰本身寫進 shell history。設定後，只讓 Codex 檢查變數「是否存在」，不要輸出完整內容。若金鑰曾出現在聊天截圖、終端輸出或 Git 紀錄，正確動作是到供應商後台撤銷並重建，而不是把截圖打馬賽克後繼續使用。若想補齊 Agent 的 API Key 管理習慣，可先看AI Agent 金鑰安全教學。
步驟 4：在付費呼叫前跑素材 preflight
python3 "$HOME/.agents/skills/rachel-digital-human-production/scripts/preflight_assets.py" \ --script inputs/script.md \ --portrait inputs/portrait.jpg \ --voice inputs/voice-source.mp3
回傳的 JSON 中，ok 應為 true。這支腳本會檢查路徑、副檔名、20／32 MB 大小上限，並在本機有 ffprobe 時讀取聲音長度。它不會判斷人像授權、嘴部是否被遮住或環境雜音；這三項仍由你確認。
步驟 5：只下「樣片」任務，不直接做完整版
請使用 $rachel-digital-human-production 製作 15 秒數字人口播樣片。 輸入： - 文案：inputs/script.md - 人像：inputs/portrait.jpg - 聲音樣本：inputs/voice-source.mp3 - MiniMax 金鑰：MINIMAX_API_KEY - HeyGen 金鑰：HEYGEN_API_KEY 要求： 1. 先跑素材檢查。 2. MiniMax 使用 speech-2.8-hd 產生配音。 3. 把外部配音上傳為 HeyGen audio asset，再用 type=image 驅動人像。 4. raw type=image 會使用預設 Avatar IV；不另傳 engine 欄位，以 720p、9:16 輸出 outputs/preview-15s.mp4。 5. 將工作 ID 與狀態寫入 work/job-state.json。 6. 為這支影片產生 Idempotency-Key 並寫入 state；同一工作重試時沿用，只有刻意建立新工作才換 key。 7. 停在樣片，等我明確批准；不要先產生完整版。 8. 不顯示完整金鑰、Authorization header 或暫時下載網址。
注意：截至 2026 年 7 月 31 日，這個公開倉庫的 scripts/ 主要提供素材 preflight 與 job-state 初始化；它是一份可執行的流程手冊，不是一鍵包辦兩家 API 的固定客戶端。Codex 仍需使用環境中可用的 HeyGen MCP／CLI，或依當下官方 v3 API 文件建立請求。這個差別要先看懂，才不會把「安裝 Skill」誤會成「附贈帳號、API credits 與完整服務」。
步驟 6：驗完 15 秒，再從同一份 state 繼續
- 聲音：音色像目標說話者嗎？品牌名、英文與數字有沒有念錯？
- 口型：中文快句是否追不上？牙齒、嘴角與下巴有沒有不自然變形？
- 臉部與動作：眨眼、點頭、肩膀是否突然抽動？人物身份是否穩定？
- 構圖：9:16 安全區是否保留字幕空間？頭頂、下巴與肩膀有沒有被切掉？
- 片頭片尾：第一個字與最後一個字有沒有被截掉？MP4 是否能完整解碼播放？
樣片通過後，再對 Codex 說：樣片已批准。請從 work/job-state.json 繼續，重用既有 voice_id 與 image asset，產生完整 1080p 版本並完整解碼檢查。 重點是「繼續」，不是重新從第一步開始；否則你可能重複建立聲音、重複上傳素材，甚至重複送出付費工作。
一個完整例子：60 秒產品知識口播怎麼跑？
假設你要做一支 60 秒「什麼是現金流」直式短片，先把文案切成四段，每段 12～18 秒。第一輪只拿第一段做樣片，讓變因維持最少：
開場：很多公司帳面上賺錢，銀行帳戶卻快沒錢。 解釋：因為利潤是會計結果，現金流才是錢真正進出的路線。 例子：今天賣出商品但三個月後才收款，收入已記帳，現金還沒進來。 結尾：看一家公司能不能活下去，別只看利潤，也要看營業現金流。
樣片先檢查「現金流」「營業現金流」的發音、字幕安全區與嘴型。通過後才生成整段音訊與 60 秒畫面。這樣若發音不對，你只重做 MiniMax 音訊；若人臉變形，你只重做 HeyGen 樣片；文案不清楚，則回到 script.md。每次只改一層，才知道修正有沒有用。
6 個最常見的坑，以及精確修法
1. MiniMax 已經配好音，卻又讓 HeyGen 重新配音
修法：在 HeyGen v3 建立影片時傳 audio_asset_id 或 audio_url；它們與 script 互斥。這能把聲音來源鎖在 MiniMax，避免兩套 TTS 在最後一段互相覆蓋。
2. 一開始就做 2 分鐘完整版
修法：固定先做 15 秒。按現行 Avatar IV Photo Avatar 公開費率估算，樣片約 US$0.75、2 分鐘約 US$6；raw type: "image" 的實際扣款則在短樣片後用 wallet 變化核對。先用八分之一的影片秒數驗證口型與構圖，比事後整支重跑合理得多。
3. 把 API Key 貼進對話或狀態檔
修法：只傳環境變數名稱，並在 Skill 明寫「不得輸出完整 key、header、signed URL」。job-state 只存可重用 ID 與狀態。若畫面錄製會拍到終端機，先把含秘密的輸出關掉再開始錄。
4. 輪詢逾時就重新送一個付費 job
修法：在 HeyGen v3 建立影片工作前，先從 state 讀取既有 Idempotency-Key；若尚未存在才產生並保存。重試同一工作必須沿用同一 key，只有刻意建立新工作才換 key。接著保留 video_id，以 GET /v3/videos/{video_id} 繼續查詢。HeyGen 會在 24 小時內重播相同 key 的原始結果；逾時只代表這次等待結束，不代表供應商已把工作標成 failed。
5. 人像漂亮，嘴部卻被頭髮或手遮住
修法：先換素材，不先調模型。正面、嘴部清楚、頭肩可見、光線均勻的照片，會比高風格濾鏡更適合口播。若中文口型仍追不上，可把音速微調到接近日常語速，再重做 15 秒樣片。
6. 下載到 MP4 就當作完成
修法：完整播放或用 FFmpeg／ffprobe 做解碼檢查，確認時長、影像流、聲音流與結尾都正常，再把 state 改成完成。暫時下載網址失效時，先用既有 job 查回輸出，不要直接重新生成。
發布前還有一關：授權與平台標示
建立前先確認聲音、人像、文案與發布帳號都在授權範圍內。YouTube 目前要求對看起來真實、且讓真人彷彿說了或做了實際未發生內容的合成影片，在上傳流程設定「AI use／Altered content」；TikTok 也要求為含真實感影像、音訊或影片的 AI 內容加上 AI-generated 標籤。這一步應放進每次發布清單，而不是等平台提醒。
YouTube 自己也列出一個實用邊界：用自己的聲音做旁白或配音，與用他人的聲音讓對方看似說出未說過的話，處理方式不同。你可以直接核對 YouTube 合成內容說明與 TikTok AI 內容規則，把標示操作寫進自己的 Skill。
AI 數字人口播常見問題
沒有程式背景，也能照做嗎？
可以，但要看得懂檔案與狀態。你不必自己寫 API client；至少要能把三個輸入檔放對位置、設定環境變數、閱讀 preflight 結果，並知道何時停止付費流程。
一定要複製自己的聲音嗎？
不一定。流程也能改用供應商內建、你有權使用的聲音。只有在需要固定個人音色時才走 Voice Clone；畫面層與 15 秒批准點仍可保留。
為什麼不直接使用 HeyGen 的聲音？
這是品質與控制權選擇，不是硬性優劣。本流程把 MiniMax 當獨立聲音層，方便先單獨審核發音與音色，再交給 HeyGen 做口型。若 HeyGen 聲音已符合需求，直接使用 script + voice_id 會更少一個上傳步驟。
Image-to-Video 和 Photo Avatar 怎麼選？
一次測試選 Image-to-Video；固定 IP 長期出片再選 Avatar IV Photo Avatar。前者免先建 Avatar，後者可重用 avatar_id，並提供較完整的角色控制。
安裝 Skill 之後就能直接生成嗎？
還需要你自己的帳號、金鑰、計費額度與執行工具。Skill 負責流程與檢查，不會附帶 MiniMax、HeyGen 或 OpenAI 的服務權限。
15 秒是供應商規定的長度嗎？
它是這套公開 Skill 設計的生產關卡。目的不是追求剛好 15 秒，而是用一段足以看出聲音、口型、臉部與構圖問題的樣片，在完整版之前取得明確批准。
可以一次批量做十支嗎？
可以先批量做樣片。一支影片一份 state，先集中輸出 previews 與審片清單；只對被批准的項目做完整版，避免十支影片一起放大同一個口型或構圖錯誤。
成片嘴型太誇張，第一個該改什麼？
先改音訊節奏與人像素材。把語速拉回自然口播區間、拆短長句、換成嘴部清楚的正面照片，再做短樣片；不要同時更換模型、音色、人像與文案，否則無法判斷改善來自哪裡。
給 AI 創作者的 7 個重點
- 把聲音、畫面、流程與批准拆成四層。
- 第一次用 Image-to-Video，長期固定人物再建 Photo Avatar。
- 使用 Codex 現行的
$HOME/.agents/skills個人 Skill 路徑。 - 金鑰只進環境變數，狀態檔只存可重用 ID。
- 先做 15 秒，驗聲音、口型、臉部、構圖與片頭片尾。
- 輪詢逾時就用既有 job ID 繼續查，不要盲目重送。
- 發布時完成授權確認與平台 AI 內容標示。
📚 延伸閱讀：把單支口播升級成完整 AI 片場
- Claude Code AI 影片工作室：想把口播擴成多鏡頭、可重跑的影片專案，先學六階段製片流程。
- OpenMontage 教學：看懂另一種「Agent 管製片流程」的開源做法。
- Taste Skill 教學：第一次安裝與叫用 Skill，可先從不消耗 API credits 的設計任務練習。
- AI Agent Harness 是什麼：理解模型之外，誰在管理工具、狀態與停止條件。
- 動手做 AI Agent Harness：想把 job-state、重試與批准點寫成自己的流程，接著看這篇。
- AlphaLab AI 專區：持續追蹤 AI 工具、Agent 與創作者工作流。
- AlphaLab 課程：想把零散工具整理成自己的可重用內容系統，從完整課程開始。
結語：今天先做一段 15 秒，不要先建一座無人片廠
回到開頭的公式：AI 數字人口播＝MiniMax 聲音＋HeyGen 畫面＋Codex 流程控制＋人工批准點。真正值得複製的不是某一支看起來很真的影片，而是「每一步有輸入、有狀態、有停止點」的生產方式。
你的下一步很小：準備一段 20 秒文案、一張授權人像與一段乾淨錄音，安裝 Skill，先跑 preflight，再只生成 15 秒樣片。等你能清楚指出哪個環節該改，這條流水線才真的屬於你。