Volcengine 数字人视频生成器

⚠️ 首次使用需完成配置

本技能需要 Volcengine 的 Access Key（AK）和 Secret Key（SK）。

获取 AK/SK

1. 注册 Volcengine 账号：https://console.volcengine.com/
2. 开通「数字人视频生成」服务
3. 创建 Access Key：https://console.volcengine.com/iam/keymanage/

配置方式（任选其一）

选项 1：配置文件（推荐）

在技能目录下创建 config.json 文件：

{
  "ak": "your_access_key_here",
  "sk": "your_secret_key_here"
}

选项 2：环境变量

export VOLC_AK="your_access_key_here"
export VOLC_SK="your_secret_key_here"

⚠️ 安全提示：切勿在脚本中硬编码 AK/SK，也请勿将其提交至公开代码仓库！

⚠️ 隐私声明

本技能会将用户提供的图像及生成的音频/视频上传至第三方图床服务（catbox.moe、0x0.st），以生成 Volcengine API 所需的公开可访问 URL。

• 请勿使用含敏感或隐私信息的图像（您不希望其被上传至公开图床）
• 用户图像及生成内容在视频生成过程中将处于公开可访问状态
• 请尽快下载并使用生成的视频；相关 URL 可能会过期

核心流程

1. 获取图像：从 /root/.openclaw/media/inbound/ 目录读取
2. 性别识别：基于 OpenCV Haar 级联检测器提取眼睛/鼻子特征进行判断
3. 上传图像：上传至 catbox.moe 获取公开 URL
4. 创建数字人形象：调用 realman_avatar_picture_create_role API
5. 语音合成（TTS）：按识别出的性别自动匹配音色 + 使用 edge-tts 合成 → 上传至 catbox.moe
6. 视频合成：调用 realman_avatar_picture_v2 API，并轮询获取结果
7. 下载视频：保存至本地，并生成缩略图预览
8. 交付结果：通过 message 工具发送缩略图与视频

快速运行

cd /root/.openclaw/workspace-employee-xiaozhua
python3 skills/volc-digital-human/scripts/volc_digital_human.py "$image_path" "$dialog_text" [gender]

参数说明：

• image_path：图像路径；若为 None，则自动获取 inbound 目录下最新图像
• dialog_text：台词/对话文本内容
• gender：可选，male|female|None（自动识别）

语音匹配规则

手动覆盖规则：

• 说出 “male” / “男生” / “男的” → 强制使用男性语音
• 说出 “female” / “女生” / “女的” → 强制使用女性语音
• 说出 “cartoon” / “卡通角色” / “动物” → 使用卡通风格语音

详细 API 参考文档

参见 references/volc_api.md

关键参数

注意事项

• 图像建议：闭嘴照片效果更佳；微信头像等缩略图亦可使用
• 性别识别：基于 Haar 眼/鼻特征的启发式判断，准确率非 100%；必要时请向用户确认
• 卡通/动物形象：默认采用活泼女声 zh-CN-XiaoyiNeural
• 视频 URL 过期时间：约 1 小时，请及时下载
• 生成耗时：通常为 30 秒 ~ 3 分钟
• 调用频率限制：Volcengine 对请求频率有限制；如遇 50430 错误，请等待 1–5 分钟后重试
• TTS 引擎：使用 edge-tts（微软免费服务），无需额外 API Key

错误处理