AIV 模型形象与音色规范


 TL;DR
后续视频统一使用这套「模型形象」与「音色」。本文记录规范本身(入库、可评审), 图像与音频成品留本机(character/、voice/,不入库)。
难度 中等

后续视频统一使用这套「模型形象」与「音色」。本文记录规范本身(入库、可评审),
图像与音频成品留本机(character/、voice/,不入库)。

形象原型的唯一来源:aiv/growdu2.jpeg。
音色的唯一参照:aiv/ddl-voiceover.mp3。


一、形象规范

1.1 角色设定

Growdu — 一位讲解数据库内核技术的拟人化小象,定位是「专注数据库内核方向的独立开发者」。

项 规格
渲染风格 3D 卡通渲染,产品级质感,柔和均匀棚拍光
主体特征 浅蓝灰皮肤、圆大眼、粉色面颊、小巧象牙、头顶一撮呆毛
服装 深藏蓝 #2B4C7E 技术工装马甲,胸口琥珀黄 #F5A623 圆柱数据库磁盘图标
配饰 黑色头戴式耳机 + 麦克风臂;深藏蓝 #2B4C7E 方形细边框眼镜(镜片透明);胸口白色铭牌
铭牌 必须显示 growdu——那是品牌标识,空着不行;但文字由代码用真实字体渲染(见 §1.4)
人格 气质与内容由《人格规范》定:冷静克制、工程师、秩序感、专注、可靠(见 人格规范 §1.1)
背景 纯白 #FFFFFF,无投影或极淡接触阴影
画布 1920×1080 / 24fps,与流水线一致

1.2 资产清单

文件 尺寸 用途
character/growdu_character_2k.png 2048×2048 主形象(白底),通用素材源
character/growdu_character_2k_nobg.png 2048×2048 RGBA 透明底版,合成进视频用这个
character/growdu_pose_sheet.png 2720×1536 6 姿态设定表:中性 / 指示 / 思考 / 数字 2 / 低头 / 收束
character/style_preview.png 1920×1080 形象与代码场景并置的观感预览
character/scripts/stamp_badge.py — 铭牌盖章:刷白铭牌 + 用真实字体印上 growdu
character/scripts/add_glasses.py — 戴眼镜化:图生图加眼镜 + 擦镜框杂物 + 抠底 + 盖章
character/scripts/generate_character.py — 从形象原型重新生成主形象与 6 姿态表
character/scripts/make_white.py — 从透明底主形象合成白底版(姿态生成的参考图)
character/scripts/_persona.py — 人格气质的 prompt 片段(唯一来源:人格规范 §1.1)
character/scripts/_mcode.py — mcode-tools CLI 封装(上传 / 调用 / 下载 / 重试)
brand/scripts/generate_poses.py — 生成品牌片用的点赞 / 挥手姿态素材
brand/scripts/generate_backgrounds.py — 生成品牌片用的两张 AI 背景(含语义验收)

透明底版主体包围盒:x 199–1830,y 109–1886(2048 画布内)。

1.3 与代码场景的合成方式

透明底 PNG 贴到 cairo 画布即可,文字区保持右侧留白:

# 参考 pipeline/pyv/render.py 的 _frame_bytes 与 character.py 的 pil_to_cairo
surface = cairo.ImageSurface(cairo.FORMAT_ARGB32, 1920, 1080)
ctx = cairo.Context(surface)
ctx.set_source_rgb(1, 1, 1); ctx.paint()
# 形象:等比缩放到画布高 66%,锚点左下 (0.05*W, 0.90*H)
ctx.set_source_surface(img_surface, int(W * 0.05), int(H * 0.90 - img_h))
ctx.paint()

配色、字体、文字排版沿用 pipeline/pyv/palette.py(#2B4C7E 主色、#F5A623 强调色)
与 pipeline/pyv/fonts.py(字体族名),保证形象与代码画面属于同一套视觉系统。
character/style_preview.png 是这套合成规则的实际效果。

字体是跨平台解析的(见 §1.3):默认用仓库内置的字体子集
AIV Sans CJK SC(上游 Noto Sans CJK SC,SIL OFL 1.1,允许随软件分发),
两台机器装同一份文件 → 文案、版式与步进宽度完全一致。
系统字体(macOS 的 PingFang SC、Linux 的 Noto Sans CJK SC)只是退路:
没装内置字体时会退到它们,那时字形就随机器而异了。

像素仍然不跨平台一致:cairo 在 macOS 走 CoreText、Linux 走 FreeType,
栅格化不同。验收按「布局一致 + 同平台逐像素一致」——跨机靠同一份字体
文件
保证版式(步进宽度、收字号结果)一致,逐像素的活只在同平台里做。

跨机的版式一致是量出来的,不是嘴上说的:布局指纹(见《上机指南》§三)
记下每一行字的落笔坐标、字号、步进宽度与轮廓包围盒。这四类量是字体的
性质
——实测(2026-11-16,Linux/FreeType vs macOS/CoreText,同一份字体
文件)跨机最大差:坐标 0.000、字号 0.027、步进 0.812、轮廓 0.711。

但这条要成立有两个前提:cairo 在 Linux 上默认开着 hinting(轮廓吸附像素
网格、度量取整,步进能差 68px),而只装常规字重时粗体是各后端合成的
(轮廓能差 3.14px)。所以内置字体两个字重都入库,并且统一关掉
hinting
——那样跨机版式才真的只由字体文件决定。

1.4 铭牌上的 growdu 怎么来的

规则:铭牌必须显示 growdu,但文字不能由模型生成。

模型生成的中英文会乱码——生成 6 姿态设定表时,铭牌上的 growdu 出现过
giowdu / grawdu 等变形。主形象这次碰巧写对了,但「碰巧」不能当规范用:
下次重新生成,铭牌上的字随时可能又变成别的。

所以生成之后统一做一次后处理(character/scripts/stamp_badge.py):

  1. 自动定位铭牌——不硬编码坐标,重生成后依然有效。四道关卡,缺一不可:

    关卡 判据 挡掉什么
    区域 只在马甲区域里找白块 白底图里的大片背景
    区域 马甲区域取「最大马甲连通块」的包围盒 眼镜镜框与马甲同色,用「所有马甲像素」的包围盒会把搜索区域撑到脸上(§1.5)
    尺寸 宽 ≥ 画布 3.5%、高 ≥ 1.5% 镜腿上零碎的小白牌
    位置 上沿低于主体高度的 45% 眼镜上的白牌(实测在 30% 上下,铭牌在 62%~68%)
    纯白 区域内「三通道都 ≥ 240」的像素 ≥ 55% 小象的奶油色脚趾(实测铭牌 85%+、脚趾 21%)

    剩下的候选里,四周一圈马甲色占比最高的那个就是铭牌。这个占比只当兜底门槛,
    因为实测它在 0.27 ~ 0.47 之间波动(铭牌有时紧贴马甲边沿,旁边是角色的浅色身体)。
    那一圈的宽度必须越过铭牌自带的深色描边(VEST_RING_WIDTH = 10):铭牌是
    3D 塑料牌,边缘自带一圈深色厚度,4px 宽的环整个落在那圈描边上,量到的占比
    近乎为零——真实铭牌反而被判成「没找到铭牌」,字就盖不上(实测点赞姿态:
    4px 环 0.016、6px 环 0.053、10px 环 0.268)。

  2. 把铭牌刷成纯白,抹掉模型写的任何字

  3. 用当前字体写上 growdu(深藏蓝 #1B2A47,字号按铭牌尺寸自动适配;
    字体族名由 pyv/fonts.py 解析,不写死)

文字来源于是从「模型碰运气」变成「代码确定」。

这与 brand/scripts/fix_plates.py 记录的同一类问题——AI 生成的文字不可信,
所有文字用真实字体渲染
。区别在于:fix_plates.py 是把画面上的字重排,
这里是凭空写出一个模型没写对的字。

当前素材实测:主形象 (1118, 1319, 1265, 1381)(147×62);点赞姿态
(1116, 1285, 1257, 1341);挥手姿态 (1193, 1180, 1323, 1244)。

模型不一定会画铭牌:挥手姿态有一版就把胸口的白铭牌省了(只剩数据库图标),
所以 prompt 里要写死「马甲上部必须有一块白色矩形铭牌」,生成后还要目视确认。

brand/scripts/render_brand.py 在渲染前会自动给两个姿态素材盖章,
所以片头/片尾里的铭牌也一定带着正确的 growdu。

1.5 眼镜是怎么加上去的

规范:配饰里有一副深藏蓝 #2B4C7E 方形细边框眼镜,镜片完全透明。

  • 为什么是深藏蓝:和马甲同色,形象与代码画面属于同一套视觉系统(§1.3)。
  • 为什么镜片必须透明:小象的两只大眼睛是形象最核心的表情来源,镜片一有
    反光或变色,眼睛就废了。

不能用代码在 3D 渲染图上贴眼镜。 3D 渲染的眼镜要有镜框厚度、高光、
镜腿在耳朵处的遮挡关系、镜片在皮肤上的微弱反光——二维贴片做不出来,
贴上去一眼假。所以做法是以现有素材为参考图做图生图:角色、姿态、光照、
构图全部照抄,只多一副眼镜。参考图选「素材自己」而不是「形象原型」,
是为了把角色漂移压到最小。

流程(character/scripts/add_glasses.py):

  1. 图生图——现有素材作参考图,prompt 只加「深藏蓝方形细边框眼镜、
    镜片透明」,并强约束「除眼镜外一切不变」
  2. 擦镜框杂物——模型有个反复出现的毛病:戴上方形眼镜后,会在镜框或
    镜腿上贴一小块白色小铭牌(实测写着 growdu)。所以再走一次局部
    修补,专门把这块白牌擦掉。用模型擦而不是代码涂,是因为代码涂出来的是
    一块平色,一眼假;模型能按周围的镜框与皮肤重新长出边缘
  3. 抠透明底 + 盖铭牌章(§1.4)

两个坑,都是这轮踩出来的:

  • 铭牌检测被眼镜污染:眼镜镜框和马甲是同一个深藏蓝。眼镜一戴上,
    「画面里所有马甲色像素」的包围盒就被撑到整个上半身,检测器会在脸上
    找到一块高光当成铭牌——实测把 growdu 盖到了鼻梁上的一小条反光里;
    更狠的一次是模型在镜片上贴了块白牌,那块白牌四周全是镜框色,
    「马甲占比」比胸口那块真铭牌还高,直接把铭牌顶掉了。
    修法见 §1.4:区域改用「最大马甲连通块」,再加尺寸下限、位置下限、纯白度三道关卡。
  • 铭牌四周的「马甲占比」会剧烈波动(实测 0.17 ~ 0.74):所以真正的
    判据是尺寸 + 长宽比,「马甲占比」只当兜底门槛。

改动范围只有 3D 卡通形象。 站点的 logo.jpg / avatar.jpg 都不戴眼镜——
那是站点自己的图,与角色形象无关。

1.6 形象接入的唯一入口

pipeline/pyv/character.py 是形象接入的统一入口,场景不再自己拼路径。

形象只做静帧,不做部件切分动画。 仓库早期版本试过把形象按颜色连通块切成
头 / 双耳 / 双臂,用旋转 + 位移驱动挥手与点头。那套阈值和绝对坐标都是为 2D
扁平图硬编码的,3D 渲染的渐变与高光会直接破坏分割,为 3D 重写切分算法的成本
远高于收益。所以形象一律走静帧素材 + 位移 / 缩放 / 淡入,动效用整体变换补。
该模块已随 2D 形象一起移除(§4)。

降级规则:

优先级 素材 位置 动效
1 3D 形象(透明底) aiv/character/growdu_character_2k_nobg.png(媒体产物,不入库) 静帧 + 位移 / 缩放 / 淡入
2 都没有 — 不画形象,不报错

降级的原因是媒体产物不入库:新克隆的机器上没有 3D 形象素材,
流水线照样要能跑完——没有形象只是画面里少只小象,不能因此报错。

落版头像同理:原来的 growdu.jpg 从未入库、现已丢失,改用仓库根
themes/matery/source/medias/avatar.jpg(已入库)。头像缺失时整块跳过,
标签位置不变。


二、音色规范

2.1 参照音色的实测特征

对 ddl-voiceover.mp3(29.27 s / 单声道 / 32 kHz)做声学测量:

指标 实测值 判读
基频 F0 中位 116.7 Hz 男声,且偏低沉
F0 p5 – p95 87 – 188 Hz(跨 102 Hz) 动态幅度大,有强弱起伏
第一共振峰 F1 273 Hz 男声区间(280–400)下限
第二共振峰 F2 961 Hz 略低于男声典型值(1100–1900)
频谱重心 1222 Hz 偏暗、不尖锐
语速 7.72 字/秒 偏快(226 字 / 29.27 s)

结论:成年男声,偏低沉、偏暗,语速偏快,情绪起伏明显——技术讲解口吻,
不是播音腔也不是广告腔。

2.2 选定音色

在 MiniMax 327 个音色中实测合成 22 个中文男声候选,用同一套指标
(F0 半音差 + F1/F2 绝对差 + 频谱重心 + 语速 + F0 动态跨度)排序,
再在真实口播稿上做 speed × pitch 网格微调。

定稿:

{
  "voice_id": "Chinese (Mandarin)_Radio_Host",
  "voice_name": "电台男主播",
  "pitch": -1,
  "speed": 1.33,
  "emotion": "neutral"
}

实测对齐度:

指标 参照 定稿 偏差
F0 中位 116.7 Hz 117.2 Hz +0.1 半音
F1 273 Hz 312 Hz +39 Hz
F2 961 Hz 992 Hz +31 Hz
频谱重心 1222 Hz 1131 Hz −7.5%
F0 动态跨度 102 Hz 107 Hz +5 Hz
总时长 29.27 s 29.65 s +0.38 s
语速 7.72 字/秒 7.62 字/秒 −1.3%

2.3 备选

音色 pitch speed 说明
Chinese (Mandarin)_Radio_Host −2 1.35 备选一:F0 动态跨度 103 Hz,与参照最接近;F2 偏差更小(+16 Hz)
Chinese (Mandarin)_Southern_Young_Man 0 1.5 F1 完全吻合(+0 Hz),但 F0 动态只有 40 Hz,听感过于平直,不建议

三个音频样本在 voice/ 下可试听。

2.4 调用方式

mcode-tools connector call connector__matrix__synthesize_speech --args '{
  "text": "大家好,我是growdu。今天我们聊一聊数据库内核。",
  "voice_id": "Chinese (Mandarin)_Radio_Host",
  "pitch": -1,
  "speed": 1.33,
  "emotion": "neutral",
  "output_file": "narration.mp3"
}'

参数速查:

参数 取值 说明
pitch −1 半音。降到 −2 更低沉,但 F0 略低于参照
speed 1.33 语速倍率。1.5 在真实稿上偏快 12%
emotion neutral 讲解场景用中性;需要强调时改 happy / surprised

注意:pitch 与 speed 的最优值是相对参照稿标定的。换了口播稿(字数/断句不同),
应重跑 §2.1 的测量并重新定标,不要直接套用——
量测与排序的脚本是 voice/scripts/measure_voice.py,
用法与各期定标结论见 voice/README.md。

2.5 与旧品牌片音的关系

brand/scripts/make_audio.sh 用的是 macOS say(Sandy 童声 + 升 1.5 半音),
和本规范不一致,只服务旧的 8 秒品牌片。当前 3 秒片头/片尾的旁白已经按 §2.2
定稿音色合成(brand/audio/voice_intro.mp3 / voice_outro.mp3)。

2.6 多音字:这个音色会把词首的「行」念成 xíng

实测结论(2026-11-13,voice/scripts/check_pronunciation.py 量摩擦噪声谱心):

词 实测读音 样本
行锁 xíng ❌ 5/5 都错
一行 xíng / háng 混 5 个样本里 2 个错
同一行 / 每一行 / 每行 / 哪一行 / 行号 háng ✅ 0/5 出错
并行 / 串行 / 执行 xíng ✅ 本来就该念 xíng

「行」在词首构成复合词时一律念 xíng,在词尾(数量词组、动宾结构里)
大多念 háng——但「一行」会漏。

绕法:连接器封装会丢掉 MiniMax 的 pronunciation_dict
(行锁/pinganpingan 实测仍念成 xing2 suo3),<phoneme> 标签会被念出来,
括号里的拼音也会被念出来。唯一可靠的办法是换等音字:

原词 替身 为什么等音
行锁 航锁 航 = háng,无歧义,声母 [x]、韵母 [ɑŋ]、阳平;整句只差 0.093 s
一行 壹行 壹 = yī,与「一」同声同调;行跟着读成 háng(实测 5/5)

只作用于合成文本:口播稿、字幕表、画面契约一个字都不改,观众听到的仍是「行锁」「一行」。
规则表在 voice/scripts/pronunciation.py,由 voice/scripts/synthesize_narration.py
在送进引擎前套用;每次合成还会把真正送进引擎的那份文本留底成 *.spoken.txt。

新词上线前必须先量读音:make pronunciation 会合成探针并断言
「行锁 = xíng、航锁 = háng」;口播稿里出现没归档的「行」字词时,
pipeline/tests/test_voice_pronunciation.py 会直接报错。


三、片头 / 片尾

定稿的两支品牌片在 brand/(见 brand/README.md):

片头 片尾
文件 growdu_intro_3s_1080p.mp4 growdu_outro_3s_1080p.mp4
时长 2.833s(68 帧 @ 24fps) 2.833s(68 帧 @ 24fps)
形象 小象 · 点赞姿态(戴深藏蓝方框眼镜) 小象 · 挥手姿态(戴深藏蓝方框眼镜)
文字 Growdu / Database · Knowledge · Growth / 胶囊「深入数据库 · 分享技术之美」 感谢观看 / Growdu · 把踩过的坑写成方法 / 三胶囊「growdu.cn」「订阅关注」「点赞支持」
旁白 欢迎来到 growdu,深入数据库。 下次卡住的时候,记得回来。

技术路线见 brand/README.md:AI 只出背景底板,形象与文字全部由代码合成。


四、待办

  • pipeline/pyv/scenes/s01_intro.py / s06_outro.py 引用已移出 aiv 目录的
    growdu.png / growdu.jpg,make render 直接失败。已改为走
    pipeline/pyv/character.py:3D 形象走静帧 + 位移/缩放/淡入;
    落版头像改用 themes/matery/source/medias/avatar.jpg。
  • 新形象未接入 storyboard_<期号>.json 契约;建议新增 type: "image" 场景类型,
    字段为 clip(图片路径)+ anchor(落点),由 compose.py 静态贴入。
  • 2D 形象与部件动画已整体移除:仓库根 growdu.png、
    pipeline/pyv/elephant.py 及其测试一并删除;character.py 不再有 2D
    兜底分支,Mascot.mode 只剩 static / none(见 §1.6)。
  • aiv/storyboard.json、aiv/字幕-*.md 等契约文件一度被移出,流水线跑不了
    完整成片。现已补回并分两层:口播稿与字幕表在 aiv/字幕-<主题>.md,
    视觉分镜契约在 aiv/contracts/<期号>.json。端到端可出片——EP01、EP02 均已出片。

文章作者: growdu
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 growdu !
这篇还发到了
今日头条 drafted
  目录