AI 视频播客流水线：按环节选模型的一种拆法
Pluvio9yte 拆解了一条 AI 视频播客的多模型管线：GPT-Image 生成录音棚场景和一致的角色，LTX 驱动微表情与侧身动态，ElevenLabs 加 Gemini 混合出双人音色，Soniox 提供毫秒级时间戳用于对齐（后续排版步骤被截断）。
Pluvio9yte@Pluvio9yte原帖
为什么值得留
想做 AI 播客或对话视频的人，可参考这种按环节选模型的分工。
可以从这里开始
先做『一个场景、两个角色、30 秒对话』，验证对齐环节。
阅读时留意
只是流程描述，没有成片、成本与耗时；各模型的商用条款没有核。
OnBalls 导读整理于 2026.10.22。只读收件箱保存的帖文节选及可见引用；未打开链接内容与原文，帖中数字和说法未独立核实。