上一篇，我整理了自己這一陣子實際測試的：Codex ＋ HyperFrames 錄音轉知識短片工作流，從一段 MP3 錄音開始，轉逐字稿、切 Scene、安排字幕、加入知識卡、做動畫、最後輸出 MP4。

做到這裡之後，照理說影片已經可以看了。但是我自己看著看著，又開始覺得：「畫面好像還少了一個『人』。」

因為我的內容本來就是知識型。如果整支影片只有：字幕、知識卡、圖示、插畫、流程圖，雖然資訊很完整，卻還是有一點像：會動的教學簡報。

所以我開始想：如果在左下角放一個小小的講師呢？就像很多線上課程一樣，畫面大部分還是知識內容，但是角落有一位講師跟著聲音說話，這樣觀眾會不會比較有陪伴感？

問題是：我自己又不想露臉，那最自然的答案就變成：AI 數字人。

我手上其實已經有兩個重要素材

這一次我不是從零開始。我已經有：一張 AI 講師圖片。還有：tina-test.mp3


也就是說：「長什麼樣子」有了、「要講什麼」也有了，剩下的問題就是：怎麼讓這張 AI 講師圖片真的跟著錄音說話？

我一開始其實也會直覺想：Codex 不是什麼都能做嗎？那乾脆叫 Codex 自己把照片變成數字人影片？

後來做下去，我才發現：這不是最合理的分工方式。

第一個重要觀念：Codex 不是數字人生成引擎

Codex 很強的地方，是：理解任務、讀檔案、寫程式、整理流程、調整畫面、協調不同工具。

但是把一張人物照片變成：嘴型自然、眼睛會動、表情自然、頭部微微晃動，而且還要和語音同步，這本身就是一個非常專門的 AI 任務。

它需要的不是普通 HTML 動畫，而是：Talking Avatar / Lip Sync / Digital Human 模型。

所以這一段，應該交給真正專門做數字人的平台。

第三方平台的角色：負責把「照片＋聲音」變成會說話的人

我現在會把第三方數字人平台想成：演員工廠。

我交給它：AI 講師圖片、錄音。

它負責產生：presenter.mp4，也就是一支：AI 講師跟著錄音說話的影片。

例如我這次就是想把：AI 講師圖＋tina-test.mp3 先轉成：presenter.mp4


這個 presenter.mp4 本身，不需要是一支完整知識短片。

它只需要做好一件事情：把「講師」演好。

所以第三方平台不需要負責整支知識短片

這一點我覺得很重要。

因為一開始很容易變成：既然數字人平台能做影片，乾脆整支都讓它做。

但是我的知識短片裡面還需要：字幕、重點字、知識卡、插畫、流程圖、動畫、Scene 切換、品牌標頭、CTA。這些事情如果全部塞給數字人平台，反而會失去原本 HyperFrames 的優勢。

所以比較合理的做法是：數字人平台只負責人。HyperFrames 負責整支影片。

我現在會把三者分工成這樣

工具	主要工作
Codex	總導演／流程設計／檔案管理／修改程式／協調工作流
第三方數字人平台	把 AI 講師圖片＋錄音，產生會說話的 presenter.mp4
HyperFrames	把 presenter.mp4、字幕、圖片、知識卡與動畫整合成最後影片

這樣一分，整個問題突然就簡單很多。

如果把它比喻成拍片，就更好懂

Codex 是：導演。第三方數字人平台是：演員。HyperFrames 是：攝影棚＋剪輯台＋Motion Graphics 系統。

導演不需要自己變成演員，演員也不需要自己剪整支影片，每個工具只做它最擅長的部分，我覺得這才是真正合理的 AI 工作流。

第一步：先準備 AI 講師圖片

數字人影片要好看，第一個最基本的東西，就是：講師圖片本身要適合動畫。

我現在會特別注意：

• • 正面或微微側面
  • 臉部不要被頭髮遮太多
  • 嘴巴清楚
  • 眼睛清楚
  • 光線均勻
  • 背景不要太亂
  • 肩膀最好有完整保留

如果圖片一開始就：臉很小，嘴巴被手遮住，側到幾乎看不到另一邊臉，那後面 Lip Sync 再厲害，也比較容易怪。

AI 講師不一定需要全身

因為我這次想做的，不是：一位老師站在正中央講 15 秒。

我的想法比較像：左下角小圓形講師視窗。或者：左側半身 Presenter。

因此圖片只要：頭、肩膀、一點上半身，其實就夠了。這樣數字人影片產生後，還比較容易塞進 HyperFrames 的版面。

第二步：把錄音交給數字人平台

這一段最單純。我希望 AI 講師講什麼，就使用：tina-test.mp3　這樣有一個很大的好處。

上一篇 HyperFrames 的字幕和畫面，本來就是依照同一份錄音做的，現在數字人也使用同一份錄音。也就是：所有東西共用同一條時間軸。這件事非常重要。

為什麼我不建議另外讓數字人平台重新產生 AI 語音？

不是不能。

而是如果我的原始影片已經以 tina-test.mp3 為基準：字幕是照它切的、Scene 是照它切的、動畫也是照它切的，結果數字人突然改用另一個 AI Voice。

就可能出現：講話速度不同、停頓不同、句子長度不同、整個時間軸重新跑掉。

所以對我目前這套工作流來說，最乾淨的是：同一份錄音，從頭用到底。

第三步：產出 presenter.mp4

數字人平台最後真正要交回來的，就是：presenter.mp4


這個檔案我會把它視為：素材，它不是 Final Video，這個觀念一定要分清楚。

就像做真人影片時：我先拍一段老師講話、這段老師影片只是素材。

後面還要：排版、加字幕、加 B-roll、加動畫、加圖卡，最後才變成成品。AI 數字人其實也一樣。

如果平台支援透明背景，當然最好

如果數字人平台可以直接輸出：透明背景，那後面會非常方便。

因為 presenter 可以直接疊在知識卡上，不需要再處理矩形背景。

但如果平台輸出的只是一般背景影片，也不是不能用。

可以：先使用乾淨單色背景、後續再做去背、或者乾脆把 Presenter 放進一個：圓形視窗。這也是我自己很喜歡的做法。

我為什麼喜歡「左下角小圓講師」？

因為知識影片真正的主角，還是：知識內容，不是數字人。

如果 AI 講師佔滿整個畫面，會變成：觀眾一直看人。但是流程圖、插畫、知識重點都只能縮小。這樣反而本末倒置。

所以我目前比較喜歡　畫面中央或上方：主知識區。畫面底部：字幕區。左下角：小圓形 AI 講師。這樣三者不會搶位置。

但是這裡馬上又遇到新的版面問題

以前沒有 Presenter 時，左下角可能可以放：圖片、流程、裝飾。

現在多了一個數字人，整個 Safe Area 都要重新想。

尤其我們前面又已經決定：字幕要貼底。如果 Presenter 也貼底，就會撞到字幕。

所以不能只是：「把一支 presenter.mp4 疊上去。」還要重新設計：Presenter Safe Zone。

我現在會把直式影片大致分成三個安全區

區域	主要內容
上方／中央	知識主畫面、插畫、流程圖、標題
左下或右下	AI Presenter
最底部	字幕

Presenter 必須高於字幕、字幕必須低於主要畫面、三層都不要互相蓋住。

HyperFrames 的角色，就是把這些 Layer 疊在一起

這就是 HyperFrames 開始真正重要的地方。

假設目前有：

background.jpg
presenter.mp4
illustration.png
captions.json
audio.mp3

HyperFrames 要做的，就是把它們變成：

Layer 1：背景
Layer 2：知識圖片
Layer 3：重點文字
Layer 4：AI Presenter
Layer 5：字幕
Layer 6：裝飾動畫

然後再放進同一條 Timeline。

這樣 Presenter 不再是一支獨立影片，它只是一個：Video Layer。

這時 AI 數字人就跟圖片、字幕一樣，只是一個 Component

這個觀念我覺得非常重要。

一開始看到數字人，會很容易覺得：「哇，這個東西好高科技，整支影片是不是都要繞著它做？」

但真正成熟的工作流，反而應該把它降級成：一個可以開、關、換位置、換大小的 Component。

例如 Scene 1：Presenter 出現。Scene 2：Presenter 暫時縮小。Scene 3：Presenter 再出現做 CTA。

這樣會比 15 秒從頭到尾都黏在左下角更有節奏。

數字人不一定要全程出現

這也是我後來越想越覺得合理的做法。

如果一支 15 秒知識片，數字人 15 秒都在講：看久了其實還是會單調。

反而可以這樣：

時間	數字人安排
0–5 秒	Presenter 出現，建立人物連結
5–10 秒	Presenter 縮小或離場，讓圖解成為主角
10–15 秒	Presenter 再出現，做結論或 CTA

這樣畫面反而更像：真的有人在帶著觀眾上課。

第四步：Codex 負責安排 Presenter 什麼時候出場

這就是 Codex 最適合做的地方。

它可以讀：逐字稿、Scene、presenter.mp4、字幕。

再依照規則決定：講師從第幾秒進場、放左邊還右邊、多大、哪一段要縮小、哪一段要離場、CTA 時要不要再放大。

這才是 Codex 真正擅長的：編排。

Codex 不必製造 Presenter，它只要會「使用 Presenter」

我覺得這句話非常值得記下來。

Codex 不需要負責生成每一種素材，但它要知道怎麼使用不同素材。

就像前面的產品銷售頁，Codex 不需要自己拍 Dosha 產品照。

但它要知道：哪張是產品主圖、哪張是情境圖、哪裡應該使用。

影片也是同一個概念，Codex 不需要自己生成數字人。

但是它需要知道：presenter.mp4 是什麼，以及應該怎麼放。

第五步：字幕還是由 HyperFrames 統一控制比較乾淨

這裡也很容易重複。因為有些數字人平台本身也能燒字幕。

可是如果 presenter.mp4 已經自帶字幕，然後 HyperFrames 又放一次字幕，就會變成：兩套字幕。

這一定很亂。

所以如果目標是把 Presenter 當素材，我反而會傾向：數字人平台只輸出人物影片，不要把完整影片 UI 一起做死。

字幕統一交給 HyperFrames。這樣位置、字體、大小，一句一句出現，全部跟第 16 篇的字幕規則共用。

同一條錄音，也能避免嘴型和字幕不同步

如果：數字人用 tina-test.mp3。HyperFrames 字幕也用 tina-test.mp3。整個影片時間軸也以 tina-test.mp3 為準。

那理論上：Presenter、字幕、動畫、Scene，都在同一條時間上。

這會比：數字人一套錄音、字幕另一套文字、動畫又自己估時間，穩定很多。

這次我真正想做的畫面，大概就是這樣

┌───────────────────────────┐
│       主知識畫面           │
│                           │
│   圖片 / 流程 / 重點動畫   │
│                           │
│ ○ AI講師                  │
│                           │
│      字幕一句一句出現       │
└───────────────────────────┘

AI 講師不是最大、字幕也不是最大、真正最大的仍然是：知識。

Presenter 的尺寸不是越大越好

一開始看到數字人，當然會很想把它做大，不然好像浪費。

但這支影片不是：AI 主播新聞，也不是：純數字人口播。而是：知識動畫影片。

所以 Presenter 只要讓觀眾知道：「有人正在帶我理解這件事。」其實就夠了。

我會特別避免 Presenter 擋到哪些東西？

至少有四種。

1. 字幕

最重要。所以 Presenter 不能太貼底。

2. 重點文字

如果一段正在 Highlight 關鍵字，不要讓人物剛好擋住。

3. 流程箭頭

知識型影片很多流程圖。Presenter 擋住箭頭，觀眾會突然看不懂。

4. CTA

最後一段如果有 CTA，位置要先預留。

所以 Presenter 也要有自己的 Safe Zone 規則

例如：

Presenter Safe Zone:
- 不得進入字幕區
- 不得遮住 H1 / Key Point
- 不得遮住流程主線
- 預設放左下或右下
- Scene 可調整大小
- 必要時可暫時離場

當這些規則先定義好，後面就比較適合自動化。

第六步：數字人影片也要做 QA

這一層不能因為「AI 已經做完」就不看。

我會特別看：

• • 嘴型有沒有明顯不同步
  • 嘴巴有沒有怪異變形
  • 眨眼是否自然
  • 頭部動作是不是太頻繁
  • 手或身體是否出現奇怪變形
  • 影片開頭是否有靜止幀
  • 結尾是否突然卡住

因為如果 presenter.mp4 本身就怪，HyperFrames 再漂亮也救不了。

我現在反而不追求「像真人到看不出來」

這件事情我覺得很有趣。

以前看數字人，很容易一直問：像不像真人？嘴巴自然嗎？會不會被看出是 AI？

但做到知識短片之後，我反而覺得：這不是最重要的。

真正重要的是：不要怪、不要干擾、不要搶內容，讓觀眾覺得有人陪他理解。如果做到這樣，我覺得就夠了。

AI 講師反而很適合我這種不露臉的內容工作流

這也是我為什麼會一直想測數字人的原因。

因為如果要我自己：化妝、架燈、架相機、錄 30 支、重講、剪掉 NG，這對我的工作方式並不適合。

但如果我可以：先錄音、準備一張固定 AI 講師圖、數字人平台幫我產 presenter.mp4、Codex 再自動組合，那整個門檻就完全不一樣。

更重要的是：同一位講師可以形成系列識別

如果每一支影片都使用：同一位 AI 講師、同一種衣服或近似風格，固定出現在相似位置。字幕也一致、色彩也一致，觀眾久了就會開始建立辨識。

也就是：Presenter 本身也開始變成品牌的一部分。

所以 AI 數字人其實也需要 Presenter DNA

做到這裡，我甚至開始覺得：可以像前面網站的 Brand DNA 一樣，替影片的講師也定義一套：Presenter DNA。

例如：

項目	規則
角色	知識型 AI 講師
服裝	簡潔、專業、不過度正式
出現位置	左下為主
尺寸	不超過主知識畫面的視覺權重
動作	自然、少量、不搶戲
用途	開場、轉折、結論、CTA

這樣未來每一支影片就不需要重新決定。

Presenter 也可以變成 Skill 裡的一個選項

例如以後整套影片 Skill 可以有：

presenter:
  enabled: true
  position: bottom-left
  size: small
  appear_in:
    - intro
    - outro

或者某些影片：

presenter:
  enabled: false

這時數字人就不再是一個很神秘的 AI 功能。而是：影片模板裡的一個開關。

這才是我真正想要的自動化

不是每次：上數字人平台、下載、打開剪映、去背、縮小、拖到左下角、再調字幕，下一支再重新做一次。

我真正想要的是：只要 presenter.mp4 出現，Codex 就知道：這是一位講師。HyperFrames 就知道：要把它疊到固定位置。字幕也知道：要避開 Presenter。

這樣才叫：Workflow。

整套 AI 數字人影片流程，我現在會畫成這樣

AI 講師圖片
        +
tina-test.mp3
        ↓
第三方數字人平台
        ↓
presenter.mp4
        ↓
Codex 讀取 Presenter＋逐字稿＋Scene
        ↓
決定 Presenter 出場規則
        ↓
HyperFrames
        ↓
背景＋知識畫面＋動畫＋Presenter＋字幕
        ↓
Preview / QA
        ↓
Final Render
        ↓
knowledge-video.mp4

這個流程我覺得已經很清楚地說明：第三方平台不是競爭者，而是素材供應者。

不要讓每一個 AI 工具都想包辦全部

這其實是我這次最大的體會。現在 AI 工具很多。

每一個都會說：可以寫、可以剪、可以做影片、可以做 Avatar、可以自動化。

如果我一直想找：「一個工具全部做完。」最後反而可能每一段都普通。

真正比較合理的方式是：嘴型同步最強的工具，做數字人。流程與程式最強的 Codex，做協調。畫面動畫與時間軸交給 HyperFrames。每個工具都做自己擅長的 20%。最後組成一套完整的 100%。

Tina學姐這次最大的體會：AI 自動化不是找一個萬能工具，而是設計正確分工

這次做到數字人，我覺得自己對「AI Workflow」又多理解了一層。

以前我會問：「這個工具能不能做這件事？」

現在我比較會問：「這件事情，交給哪一個工具最合理？」

兩個問題看起來很像。其實差很多。

Codex 也許可以想辦法做一些 Avatar 效果。HyperFrames 也可以做人物影片 Layer。數字人平台也可以加字幕。

但不代表：它們都應該做。

真正好的 Workflow，是：邊界清楚、資料能交換、每個工具做最擅長的事，最後再由 Codex 把流程串起來。

寫在最後：AI 講師不是整支影片，它只是整個知識系統的一個 Layer

做到第 17 篇，我現在反而不會把數字人看得那麼神秘了。

它不是：「一支 AI 影片。」

它只是：Presenter Layer。錄音是 Audio Layer。字幕是 Caption Layer。插畫是 Visual Layer。Motion Graphics 是 Animation Layer。所有東西最後在 HyperFrames 裡面組起來。

而 Codex 則負責：讓這些 Layer 知道什麼時候該出現、該放哪裡、該怎麼合作。

這個觀念一旦想清楚，數字人就不再是一個需要重新發明整套流程的新專案。

它只是：在原本已經存在的錄音轉影片 Workflow 裡，多加入一個新的 Component。

我覺得這才是最有價值的地方。