数字人口播 53 秒，机器要跑 20 分钟：成本全在逐帧重绘口型
一条 53.3 秒的数字人口播片，从切段到出片花了 20 分 16 秒。234 字文案切 7 段，前 6 段各 8.0 秒画面、每段约 3 分 6 秒，折合每生成 1 秒画面需要 18 到 23 秒。同一条产线的图文形态出几十秒成片只需 70 到 100 秒。差别不在时长，在「画面是画一次还是逐帧重画来对口型」。口播形态是高固定成本资产，不该按条数消耗。
数字人S2V口型同步耗时成本缓存内容产线分段推算这条适用于
- 使用音频驱动口型同步（S2V）形态
- 需要判断口播形态该按条还是按资产使用
版本指纹
Wan2.2-S2V / 480×832 / 5 步采样 / 每 8 秒切段（2026-10-10）
具体做法
实测（本机内容工厂数字人产线，2026-10-10，RTX 5090D）：
· 文案 234 字 → 切 7 段
· 16:06:36 开始切段 → 16:26:52 出片 = 20 分 16 秒
· 成片 53.3 秒 / 3.48 MB（480×832，5 步采样，每 8 秒切一段）
· 段 1~6 各 8.0 秒画面 → 每段约 3 分 6 秒 → 每 1 秒画面约 23 秒
· 段 7（4.9 秒）约 1 分 31 秒 → 每 1 秒画面约 18.6 秒对照组（同一产线的图文形态）：
· 几十秒成片端到端 70 ~ 100 秒（分镜图 + 推拉镜头）
· 差别只在画面是「画一次用满 8 秒」还是「逐帧重画对口型」
缓存行为：
· 输入指纹（文案 / 音色 / 形象任一）变化 → 清空段缓存 → 20 分钟重跑
· 输入不变、中途中断 → 段级缓存全部命中 → 从 20 分钟降到 1 秒
策略结论：
· 图文形态 = 日常口粮，可日更、可批量试选题
· 口播形态 = 一次做多次用的资产，文案一次定稿、绝不中途改字重跑失效边界
本文的耗时是本机单机实测（RTX 5090D，480×832，5 步采样，每 8 秒切一段），换分辨率、采样步数、切段长度，数值会成比例变化，不能直接套用。「每 1 秒画面约 23 秒」是本次取值的换算，不是该形态的理论下限。S2V 逐帧重绘的计算性质部分为基于本机现象与公开资料的推断，非厂商说明。本条目只算时间成本，不涉及画质与口型自然度的评价。
本文的耗时是本机单机实测（RTX 5090D，480×832，5 步采样，每 8 秒切一段），换分辨率、采样步数、切段长度，数值会成比例变化，不能直接套用。「每 1 秒画面约 23 秒」是本次取值的换算，不是该形态的理论下限。S2V 逐帧重绘的计算性质部分为基于本机现象与公开资料的推断，非厂商说明。本条目只算时间成本，不涉及画质与口型自然度的评价。