各位好,我最近在折腾自媒体,想自建一套数字人视频生产线,有两个场景想请教。
场景一:固定背景的口播视频(优先做)
用我自己或授权他人的形象,输入一段文本 → 自动生成短视频。背景固定不动,核心要求是口型和语音自然同步、过渡流畅,不要那种糊嘴、抖动的廉价感。
场景二:动态背景的口播视频(进阶)
基于"边走边拍"的实拍素材(人物在移动、背景一直在变),配上文案,生成新视频,要求嘴部看起来像真人在说话。我知道这个比场景一难,主要想问可行性和坑在哪。
我的硬件资源(纯本地,不想长期依赖云端付费)
┌─────────────┬───────────────────────────────────────────────────────────────────────┐
│ 角色 │ 配置 │
├─────────────┼───────────────────────────────────────────────────────────────────────┤
│ 主服务器 │ i9-10900X(10C20T)/ 64GB / RTX 3080 10GB / Ubuntu,24×7 在线 │
├─────────────┼───────────────────────────────────────────────────────────────────────┤
│ AI 训练备机 │ i7-9700K(OC 4.6GHz)/ 64GB / RTX 3080 10GB / Win11 + WSL2 Ubuntu 24.04 │
├─────────────┼───────────────────────────────────────────────────────────────────────┤
│ 移动推理 │ i7-10700F / 32GB / RTX 3060 Ti 8GB / Windows │
├─────────────┼───────────────────────────────────────────────────────────────────────┤
│ 剪辑日常机 │ MacBook Pro 14" M5 / 24GB 统一内存 / macOS │
└─────────────┴───────────────────────────────────────────────────────────────────────┘
也就是说:2 块 RTX 3080(10GB)+ 1 块 3060 Ti(8GB),可以分流跑训练和推理,不差核心数和内存,但单卡显存只有 10GB 是硬约束。
如果硬件实在不行可以考虑升级到3090 24G。
我也有软件开发背景，最近在学AI，感谢各位的耐心解答！