最新推荐文章于 2026-09-11 17:52:41 发布 原创 于 2026-06-18 21:46:37 发布 · 348 阅读 ## 先说能做出什么 这篇带你用一个开源工具，在同一张画布上做出一个会说话、口型对得上的数字人。全程不用在出图、配音、对口型几个网站之间来回下载上传文件。用的工具叫 TongFlow，开源免费，桌面端和网页版都有。 仓库：https ://github.com/tong-io/tongflow?utm_source=csdn&utm_medium=tutorial 不想装可以直接开网页版：https://app .tongflow.com 成品长什么样，看 README 的 demo：https://github .com/tong-io/tongflow#demo-examples ## 它的思路：每个模型都是一次「模态转换」 任何一个 AI 模型，说白了其实都是在做「模态转换」：文字到图片，图片到视频，声音到文字。TongFlow 把这些转换过程全做成画布上的节点，你只用三个动作把它们串起来：加（Add）、转（Transform）、合（Combine）。节点之间支持自动连线，丢一个上去选下一步它自己就接上了，没有那些让人眼花缭乱的 CFG、采样器、随机种子等参数。 ## 准备：装好并跑通环境

1. 在 releases 页下载桌面端（macOS arm64/Intel、Windows），打开自带一个示例工作流。

> macOS 注意：当前安装包还没做苹果公证，首次打开系统如果提示软件损坏。把 App 拖进「应用程序」后，终端里跑一次： > ```bash > xattr -cr /Applications/TongFlow.app > ```

2. 点右上角积木图标打开插件 管理器，一键安装你需要的插件，装完就能用，不用重启软件。

3. 点右上角齿轮打开 Settings，填插件需要的 key（GPU 插件需要 Modal token，每个新账号每月有最高 30 美元免费 GPU 额度，跑这条流水线完全够用）。

## 正式开始：从一句话到会说话的数字人 整条流程在一张画布上完成，分两条线最后汇合。 第一条线，做出声音：

1. 加一个文字节点，写上你想讲的主题，比如「用三句话介绍一下什么是开源」。

2. 接一个文本生成节点，把主题转换成一段口播脚本。

3. 脚本接一个语音合成节点，选一个音色，跑出来就是音频。这里语音合成支持参考音色，想克隆某个声音也可以喂一段参考音频。

第二条线，做出形象：

4. 另加一个文字节点，描述你要的角色长什么样，比如「一个戴眼镜、穿深色衬衫的年轻男性，正面，柔光」。

5. 接一个图像生成节点，得到一张形象图。

汇合，做出对口型视频：

6. 把第一条线的音频和第二条线的形象图，一起连到对口型节点。

7. 点运行。对口型插件会在云端 GPU 上跑，跑完这个人就开口说话了，口型和声音对得很准。

到这里，你就在同一张画布里，直接用一行字拿到了一个开口说话的视频，中间没倒过一次文件，也没开过第二个工具。 ## 关键一步：把工作流存下来反复用 搭好别浪费。把这张图存下来，下次想做同样结构的另一条视频，把主题和角色描述换掉，切到执行模式（Execute Mode）一键把整张图跑完，不用重新从头连线。 除了在界面里跑，你还能把它导出来，直接在 Python 脚本里执行： ```python from tongflow import run_workflow result = run_workflow("digital_human.executable.json", {"topic": "介绍一下开源"}) `run_workflow` 会把整张图跑完、返回每个节点的输出，缺的插件会自动帮你装好。桌面 App 在底层也是把运行任务派发给这同一个执行核，所以脚本跑的表现和画布上点出来的是一模一样的，非常适合用来做批量自动化或者挂载到自己的服务里。 ## 它还能做什么 同一套思路，换节点就能做文生图、图生视频、文字生成音乐、整支音乐 MV、视频超分、文档转文本。模型都点名：图像 Z-Image 和 FLUX.2 Klein，视频 LTX，对口型 InfiniteTalk，音乐 ACE-Step，语音 Qwen3。因为是插件化的，你也能换成别的模型或自己接一个。有些节点（图生 3D、字幕水印去除、部分音频处理）目前还没补官方插件，README 里用 ✅ 和 ⬜ 标得很清楚：https://github.com/tong-io/tongflow#whats-defined ## 和 ComfyUI 的区别 很多人会问和 Comfy 的关系。Comfy 很好也是开源的，区别在层级：Comfy 的节点是采样器、VAE 这种底层积木，偏图像；TongFlow 的节点是一个完整能力，横跨图、视频、音频、文本、3D。代价是底层可控性不如 Comfy，它适合快速把多个模型组合出成品，不适合像素级调参。两个工具解决的不是同一个问题。 源码和下载：https://github.com/tong-io/tongflow?utm_source=csdn&utm_medium=tutorial 一个人做的早期开源项目，跟着做卡住了欢迎在评论区问，也欢迎提需求和自写插件。 标签 #人工智能