KeyFrame內部研究專用

我靠AI數字人自動賺錢(真實操作全過程)

Samantha hsu-AI·5月17日週日·8 min中文

三句話摘要

用 AI 數字人三步驟自動化建立 YouTube 頻道,實現每月 3–5 萬台幣被動收入的完整流程。 --- 用 ZImage Turbo、HTTS、Ditto 三個開源工具串成自動化 pipeline,任何人都能以每週 30 分鐘的腳本工作量,建立可無限複製的 AI 數字人 YouTube 頻道被動收入系統。 門檻極低、無需硬體設備:整個流程只需一台普通電腦,所有工具皆為開源或免費,不需攝影機、麥克風、剪輯技能,一個週末即可上手。

重點整理

重點
  • 1

    門檻極低、無需硬體設備:整個流程只需一台普通電腦,所有工具皆為開源或免費,不需攝影機、麥克風、剪輯技能,一個週末即可上手。

  • 2

    自動化是核心競爭力:三個步驟(生圖→配音→對口)可以串成一條自動化 pipeline,寫好腳本後系統自動完成生圖、配音、對口、加字幕,甚至自動上傳 YouTube,大幅壓低時間成本。

  • 3

    收入模型可無限複製:單頻道月收 3–5 萬台幣(廣告分潤+聯盟行銷),由於每個頻道幾乎全自動運作,可同時經營多個不同主題頻道線性疊加收入。

  • 4

    技術迭代快速,現在入場具有優勢:Ditto 的最新版本相比半年前嘴型誤差幾乎為零,並能產生自然的臉部微動作;隨著技術繼續演進,早期建立的頻道具有先發優勢。

  • 5

    --

實用技巧與重點

乾貨
  • 工具與模型:
  • ZImage Turbo:開源圖片生成模型,可在本地電腦跑,不需連雲端
  • HTTS(Edge TTS):微軟免費語音合成工具,支援台灣腔女性聲音,可調整語速
  • Ditto:螞蟻集團開源的最新對口(lip-sync)技術,支援臉部表情與頭部細微晃動
  • 具體數據:
  • 頻道成立不到 3 個月
  • 月收入:3–5 萬台幣(廣告分潤+聯盟行銷)
  • 每支影片製作時間:約 30 分鐘(僅規劃腳本,其餘全自動)
  • 影片輸出解析度:1080P
  • 已知案例:同時經營 5 個頻道,月收穩定超過 15 萬台幣
  • 適合主題(廣告收益較高):
  • 知識型內容(科普、冷知識、書評)
  • 投資理財
  • AI 工具教學
  • 心靈成長/個人成長
  • 流程步驟:
  • 用 ZImage Turbo + 文字描述生成人物照片
  • 撰寫腳本,用 HTTS 生成語音
  • 將圖片+語音送進 Ditto,輸出對口影片
  • 自動加中英雙語字幕
  • 自動上傳 YouTube
  • --

結論

結論

用 ZImage Turbo、HTTS、Ditto 三個開源工具串成自動化 pipeline,任何人都能以每週 30 分鐘的腳本工作量,建立可無限複製的 AI 數字人 YouTube 頻道被動收入系統。

完整解析

詳細

這支影片由一個自稱「Samantha」的 AI 數字人主持,開場即揭露自己並非真人,而是 AI 生成的虛擬主播,並聲稱這套技術每天在幫她自動賺錢。影片的核心命題是:任何人都能在一個週末內,用三個開源工具搭建出一條幾乎全自動的 YouTube 內容生產線,不需攝影機、麥克風、剪輯技能,也不需要露臉。

具體流程分三步。第一步是用 ZImage Turbo(本地可跑的開源圖像生成模型)透過文字描述生成主播人物照片,例如指定服裝、背景即可輸出高品質圖像。第二步是用微軟免費語音合成工具 HTTS 將寫好的腳本轉換成自然的台灣腔語音,可調整語速與聲線。第三步是將圖片與語音一起丟進螞蟻集團開源的對口模型 Ditto,該模型會分析音頻頻率,讓靜態圖片的嘴巴精準跟上語音,同時自然產生臉部表情與頭部微晃,最終輸出 1080P 影片。三個步驟串接成自動化 pipeline 後,創作者只需每週花約 30 分鐘撰寫腳本,系統會自動完成生圖、配音、對口、雙語字幕生成,乃至上傳至 YouTube。

在收益數據方面,講者分享該頻道開設不到三個月,目前透過 YouTube 廣告分潤與聯盟行銷每月約收入 3–5 萬台幣。她強調這不是「月入百萬」的誇大話術,但對一個幾乎全自動運作的系統而言已是純利潤。此外,這套模式具備線性可複製性——她認識的朋友同時經營五個不同主題的 AI 數字人頻道,月收入穩定突破 15 萬台幣,全程遠端操作不需員工。內容主題的選擇上,講者建議優先考慮知識型、投資理財、AI 工具教學以及心靈成長類,原因是這些領域的觀眾更在意資訊本身而非主持人外貌,且廣告單價較高。

影片結尾,講者也坦承 AI 數字人並非 100% 無懈可擊,但對 YouTube 頻道的實際需求來說品質已足夠,且技術進化速度極快——半年前的對口品質與現在相比已是兩個世代的差距。她鼓勵新手先選定一個感興趣的主題,用三步驟流程做出第一支影片,不追求完美,先求有再求好,並預告下一集將提供完整的工具安裝與自動化設定教學。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。