用 ComfyUI 與 Claude Code 在地端打造 AI 數字人的完整流程示範

AI 数字人王渔鱼是怎么做出来的：脸、声音、开口说话，每一步用的软件和模型都在这期里。全部用开源模型，在一台 DGX Spark 上本地生成，人通过 Claude Code 指挥整个过程。模型不按次付费，Claude Code 是付费订阅。 上一期：https://www.youtube.com/watch?v=jbGZmQ7aktI ⏱ 章节 0:00 开场 0:30 一 · 谁在干活：人、Claude Code、DGX Spark 1:07 二 · 为什么全在本地做 1:32 三 · ComfyUI 怎么用 3:21 四 · 做出一张脸 4:41 五 · 做出一副声音 5:59 六 · 让照片开口说话 7:05 七 · 让 Claude Code 当副导演 8:36 八 · 要什么电脑，花多少钱 🧰 数字人制作 skill（这期第七章讲的，放进 Claude Code 的 skills 文件夹就能用）：https://github.com/builder2ai/builder2-digital-human 🛠 工具（按在哪里跑分三组） ▶ 指挥：Claude Code（Anthropic 的 AI 编程助手） https://www.claude.com/product/claude-code VS Code 插件：https://marketplace.visualstudio.com/items?itemName=anthropic.claude-code 文档：https://code.claude.com/docs/en/overview ▶ ComfyUI 里：做脸、做说话视频 ComfyUI（开源的节点式 AI 工作台） 下载：https://www.comfy.org/download GitHub：https://github.com/Comfy-Org/ComfyUI 插件管理器：https://github.com/Comfy-Org/ComfyUI-Manager 🧑 做脸：Qwen-Image-Edit-2511（阿里通义千问） https://huggingface.co/Qwen/Qwen-Image-Edit-2511 看图读字的模型 Qwen2.5-VL：https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct （2026 年 9 月新出的 Qwen-Image 2.1 换成了更新的 Qwen3-VL，许可证也改成了研究许可；这期用的是 Apache 2.0 许可、可以商用的 2511。） 我们用的文件（放进 ComfyUI/models 下对应的文件夹）： ・diffusion_models：qwen_image_edit_2511_int8_convrot.safetensors https://huggingface.co/Comfy-Org/Qwen-Image-Edit_ComfyUI/tree/main/split_files/diffusion_models ・text_encoders：qwen_2.5_vl_7b_fp8_scaled.safetensors https://huggingface.co/Comfy-Org/Qwen-Image_ComfyUI/tree/main/split_files/text_encoders ・vae：qwen_image_vae.safetensors https://huggingface.co/Comfy-Org/Qwen-Image_ComfyUI/tree/main/split_files/vae ・loras：Qwen-Image-Edit-2511-Lightning-4steps-V1.0-bf16.safetensors（4 步提速） https://huggingface.co/lightx2v/Qwen-Image-Edit-2511-Lightning 🗣 开口说话：InfiniteTalk（美团）+ Wan2.1（阿里通义万相） InfiniteTalk：https://github.com/MeiGen-AI/InfiniteTalk Wan2.1：https://github.com/Wan-Video/Wan2.1 WanVideoWrapper 插件（Kijai）：https://github.com/kijai/ComfyUI-WanVideoWrapper 提速 LoRA：https://huggingface.co/lightx2v 我们用的文件： ・diffusion_models：Wan2_1-I2V-14B-480P_fp8_e4m3fn.safetensors、InfiniteTalk/Wan2_1-InfiniTetalk-Single_fp16.safetensors ・text_encoders：umt5-xxl-enc-bf16.safetensors ・vae：Wan2_1_VAE_bf16.safetensors ・loras：Lightx2v/lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors（4 步提速） 以上都在 https://huggingface.co/Kijai/WanVideo_comfy ・clip_vision：clip_vision_h.safetensors https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/clip_vision ・wav2vec2：wav2vec2-chinese-base_fp16.safetensors https://huggingface.co/Kijai/wav2vec2_safetensors 原版（腾讯中文版）：https://huggingface.co/TencentGameMate/chinese-wav2vec2-base ▶ ComfyUI 外：配音和检查（命令行里跑的小程序） 🎙 配音：Qwen3-TTS（阿里通义千问） GitHub：https://github.com/QwenLM/Qwen3-TTS 在线试用：https://huggingface.co/spaces/Qwen/Qwen3-TTS 声音设计模型：https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign 克隆模型：https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Base ✅ 检查 脸像不像 InsightFace：https://github.com/deepinsight/insightface 声音是不是同一个人 CAM++（3D-Speaker）：https://github.com/modelscope/3D-Speaker 字念没念错 Whisper：https://github.com/openai/whisper 💻 硬件 我们用的：NVIDIA DGX Spark 官方版｜GB10 芯片，20 核 CPU，128 GB 内存（CPU 和显卡共用），4 TB 硬盘，Ubuntu 系统 https://www.nvidia.com/en-us/products/workstations/dgx-spark/ 其他能用的电脑（我们没有实测，按官方和社区资料整理）： ・同芯片的 GB10 机器，同样 128 GB 内存，流程可以照搬。华硕 Ascent GX10：https://www.asus.com/networking-iot-servers/desktop-ai-supercomputer/ultra-small-ai-supercomputers/asus-ascent-gx10/ 戴尔 Pro Max with GB10、联想 ThinkStation PGX、惠普 ZGX Nano G1n 也是同一颗芯片，搜型号即可。 ・英伟达显卡台式机，系统内存 64 GB 以上。兼容最好，算得比 Spark 快；说话视频要开 WanVideoWrapper 的 block swap，或者用压缩版模型。 RTX 5090（32 GB）：https://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5090/ RTX 4090（24 GB）：https://www.nvidia.com/en-us/geforce/graphics-cards/40-series/rtx-4090/ ・Mac：Mac Studio M5 Max（最高 128 GB）、M5 Ultra（96 GB 起）。配音能跑，做脸能跑但慢，说话视频目前没找到在 Mac 上跑通的可靠记录。 https://www.apple.com/mac-studio/ Mac 上跑 Qwen3-TTS 可以看社区项目 mlx-audio：https://github.com/Blaizzy/mlx-audio ・手上没有合适的机器：可以先按小时租云端显卡试。 显存不够时：换压缩得更小的模型版本（fp8、GGUF），或