需准备≥30秒无噪语音和正脸清晰照，命名voice_ref.wav与face_ref.jpg；在LibTV中导入koubo-ai-skills，配置音频与人脸参数；绑定Minimax语音模型与Wan口型模型（v4.2+）；验证输入后输入≤45字台词并运行，2分17秒生成MP4视频。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
准备声音克隆所需的原始音频与人物照片
你要让数字人开口说话，必须先给Agent提供两样不可替代的原材料：一段≥30秒、无背景音、单人朗读的干净语音，以及一张正脸清晰、光照均匀、无遮挡的人像正面照。
录音时用手机自带录音机即可，但【必须关闭降噪功能】，否则克隆模型会把人声的细微气流和齿音一并抹掉，导致后期对口型失准；照片不能是美颜截图或戴眼镜/帽子的证件照，AI会误判唇部结构。
把音频文件命名为“voice_ref.wav”，照片命名为“face_ref.jpg”，放在同一文件夹里备用。
在LibTV中启用WorkBuddy运行环境并加载Skill
打开 https://www.liblib.tv ，登录后点击右上角「Agent入口」→ 选择「WorkBuddy」作为执行引擎 → 点击「+新建Skill任务」→ 在搜索框输入“koubo-ai-skills” → 找到同名仓库并点击「导入」。
导入后页面会自动跳转至Skill配置面板，此时不要点「运行」——你得先填两项关键参数：【voice_ref】字段粘贴音频文件URL（需托管在可公开访问的CDN或Liblib内置图床）】，【face_ref】字段上传刚才那张正面照】。
这两项漏填或格式错误会导致后续所有步骤静默失败，界面不报错但生成视频里数字人全程闭嘴。
绑定Minimax声音模型与Wan对口型模型
方法一：使用LibTV预置模型链路
在Skill配置页下拉至「Audio Model」模块 → 选择「Minimax-TTS-Pro-v2」→ 在「Lip Sync Model」模块 → 选择「Wan-LipSync-4K」→ 点击「保存模型偏好」。
3分钟为飞书群创建专属AI Agent：自动定时报告、长期记忆上下文、群内智能应答。支持创建/克隆/删除/诊断，绑定群组自动路由，无需手动配置。几分钟即可完成，包含定时报告、长期记忆等特性。
方法二：手动替换为自托管模型
若你已在Minimax控制台开通API并获取了key，在「Audio Model」中选「Custom Minimax API」→ 填入Endpoint与API Key → 同理，在「Lip Sync Model」中选「Custom Wan API」→ 填入Wan官方提供的推理地址与Token。
注意：Wan模型必须使用其v4.2及以上版本，旧版不支持LibTV传入的帧率自适应协议，会导致口型抖动或延迟半拍。
启动Agent执行全流程
第一步：点击「验证输入」→ 等待右侧状态栏显示绿色对勾（通常耗时8～12秒）。
第二步：确认「Script Input」文本框中已填入你要让数字人说的台词，支持中文、英文及中英混输，但【每句不得超过45字，超长句子会被自动截断且不提示】。
第三步：点击「Run Skill」→ Agent将自动完成：语音合成→音频分段→逐帧生成唇部网格→驱动数字人模型→封装MP4。
整个过程无需人工干预，平均耗时2分17秒（以60字台词为基准），输出视频默认保存至你的LibTV项目空间「/exports/tts_lipsync/」目录下。
