企业官网建设流程全解析

今天带你用开源平台 TongFlow 搭建一条数字人口播工作流：在画布上把几个节点拖拽连线，就能从一句主题自动生成口型同步的口播视频，全程无需剪辑软件。下面按「认识平台 → 安装配置 → 搭节点 → 选插件 → 运行排错」五步走，零基础也能完成。

一、为什么 TongFlow 适合做数字人口播？

TongFlow 是一个「Modality-First（模态优先）」的开源 AIGC 工作流平台：文字、图像、音频、视频都被当作材料，通过「添加、转换、组合、拆分」四种节点连接起来。每一步的产出都留在画布上，可以直接喂给下一个节点继续加工。

对数字人口播场景来说，正好可以拆成两条支线再汇合：

核心思路：先确定「每一步做什么」（能力），再决定「交给哪个模型做」（插件）。换插件时，画布结构原样保留。

二、快速安装 TongFlow

TongFlow 有三种用法，共用同一个开源内核：

1. 云版：安装桌面版（macOS / Windows），登录即可开始创作，插件与执行由云端托管；
2. 自托管：用 Docker 或从源代码启动，完全本地、无需账号；
3. 与 Agent 一起构建：在支持 MCP 的 Agent 里直接生成工作流。

这里以 Docker 自托管为例，一条命令启动：

docker run -d -p 127.0.0.1:3000:3000 \ -v tongflow-data:/data -v tongflow-plugins:/plugins \ ghcr.io/tong-io/tongflow:latest

启动后浏览器打开http://localhost:3000，画布即刻就绪。更多方式见 docs/README_ZH.md。

装好「数字人工作流」需要做的 3 件事

1. 安装插件：打开右上角「积木」图标的插件管理器，按需安装（后文第五节有清单），装完即生效，无需重启；
2. 配置凭据：打开右上角「齿轮」图标的 Settings，填入插件需要的环境变量（如MODAL_TOKEN_ID/MODAL_TOKEN_SECRET，用于运行 GPU 插件，每月有免费 GPU 额度可用）；
3. 试运行：画布预载了一条示例工作流，可先跑通熟悉节点操作。官方示例文件可参考 public/example.json。

三、工作流设计：先搭节点，再填内容

建议在「创作模式」下按下面的链路摆放节点：

添加文本(主题) → 文本生成(写文案) → 生成语音(口播音频) ↘ 添加文本(人物描述) → 生成图片(数字人) → 语音+图生视频(对口型) → 成片

每条连线的含义都写在节点的输入端口上（文本 / 图片 / 音频），按类型连线即可，连错会直接提示。

四、手把手教程：从文案到对口型视频

步骤 1：用「添加文本」节点写主题

添加一个文本节点，输入一句话主题，例如：「介绍本周新品咖啡豆的 3 个卖点，时长 30 秒左右」。

步骤 2：用「文本生成」节点产出文案

添加文本生成节点，把主题文本连进来，提示词可写成「根据主题写一段口播文案，口语化、有节奏感」。运行后得到正式文案——这就是数字人要说的台词。

步骤 3：用语音合成节点生成口播音频

把文案连到语音合成节点。TongFlow 提供三种音色方式（节点界面见 text-audio-gen-speech 相关实现）：

• 预设音色：直接选现成音色，最快；
• 音色克隆：上传一段 ≥3 秒的参考音频，克隆相似音色，适合固定「主播」；
• 描述音色：用文字描述，例如「温柔甜美的女声，语速稍慢」。

💡 想带情绪的口播？可选支持情感控制的 TTS 插件，同一句文案能生成「兴奋」「舒缓」等不同语气。

步骤 4：用「文本生成图片」节点生成数字人形象

再加一个文本节点写人物描述，例如：「一位 25 岁左右的青年女性主播，半身正脸，面带微笑注视镜头，纯色浅灰背景，写实风格」。把它连到文本生成图片节点，得到数字人形象图。

💡 提示：描述里强调「正脸、注视镜头、半身」，口型区域更完整，后续对口型效果更自然。

步骤 5：用「语音+图生视频」节点完成对口型

添加「语音图片生成视频」节点（音频 + 图片 → 视频，正是 README 中级 Demo 的最后一环），把第 3 步的音频和第 4 步的图片分别连到两个输入端，运行即可得到口型同步的口播视频（节点源码：speech-image-gen-video.tsx）。

两个「备选口型节点」按需选用：

「视频对口型」节点还提供可选的场景描述框：描述画面与说话人即可（如「一位女性对着镜头说话」），不要把台词全文写进去——口型与配音由音频轨决定。官方提示：音频时长宜与参考视频接近，输出默认 720p。

五、对口型工作流插件选择指南

每个节点背后由插件驱动，同一能力可换不同实现。按本工作流五个环节给出常见选择：

带 Modal 前缀的 GPU 插件跑在云端 GPU 上（每月有免费额度），在 Settings 里配好MODAL_TOKEN_ID/MODAL_TOKEN_SECRET即可。完整插件目录与自定义插件开发文档见 docs/plugins.md；每个能力的输入输出契约定义在 ABI 中：packages/tongflow/abi/tongflow.abi.json。

六、运行数字人口播工作流：单步执行 vs 一键执行

• 单步执行：创作模式下逐个节点点「执行」，适合调试——比如先只跑 TTS 听音色，不满意换插件重跑，其余节点不受影响；
• 一键执行：切换到「执行模式」点运行按钮，整条链路自动依次执行，执行前会展示预估费用与用时；
• 继续加工：成片仍是一「材料」——可以接着连「视频高清放大」节点提分辨率，或「视频拼接」把多段口播接成一条长视频，工作流结构不用动。

七、常见问题速查

写在最后

回顾一下这条数字人口播工作流：主题 → 文案 → 配音 → 形象 → 对口型，五个节点、两次连线，从一句话到成片。TongFlow 的「材料即节点」设计让每一步都能单独调参、随时换模型，这正是自己搭数字人产线的乐趣所在。

延伸资料

• 中文说明与 Demo 示例：docs/README_ZH.md
• 插件开发文档：docs/plugins.md
• 节点能力契约（ABI）：packages/tongflow/abi/tongflow.abi.json
• 口型节点实现：packages/tongflow/src/canvas/nodes/compose/audio-video-lip-sync.tsx
• 画布中文文案：packages/tongflow/src/canvas/i18n/messages/zh.json