AI 数字人网球教练带完一节 15 分钟网球课，开源可灵3.0数字人、真人动作复现、课程编排和语音指导全流程

运动训练产品最难规模化的不是播放器，而是足够大、风格统一、能反复编排的动作库。内容拍摄成本就是动作库的生产成本。

我把从真人动作参考、数字人制作到课程和语音编排的完整流程开源了：$ai-sports-coach Skill、素材预检和 Kling Motion Control 操作包，以及真实的动作、课程与语音示例：

https://github.com/zhenzoo/ai-sports-coach

安装后可以直接对 Agent 说：

Use the ai-sports-coach Skill to inspect my project, prepare Kling Motion Control generation packets, and stop before any paid generation.

真实 App 跟练：Da‑Yul 从动作示范、语音指导到计数和课程进度完整运行

无论是健身、网球、篮球、足球，还是体能训练、功能性训练、舞蹈和瑜伽，传统做法都绕不开真人拍摄：请教练或模特逐条演示，租场地、搭景、打灯、架机位，再录制、剪辑、配音。对一条宣传片，这套流程没有问题；但如果产品需要几百、上千个动作，每增加一个动作、一个角度或一次课程改版，都要重新协调人物、档期、场地、服装、灯光和后期。对小团队来说，产品很可能还没上线，预算和时间先被动作库吃完了。

另一种办法是直接使用网络上的真人跟练视频。YouTube、Bilibili、小红书和抖音上确实有海量、而且动作质量很高的参考素材，但它们通常不是为你的产品拍的：背景杂乱，镜头比例和机位不断变化，教练、服装和画质不统一，还可能带字幕、水印、环境噪音和别人的品牌元素。它们可以帮助确认动作，却很难原样拼成一套有自己品牌调性的课程；公开能看到，也不等于可以跳过来源和授权核对直接商用。

所以我想做的不是“不要真人”，也不是让 AI 凭一段文字凭空发明网球动作，而是走第三条路：真人视频提供动作轨迹，固定数字人负责统一交付。 把网络上零散但有价值的动作参考，经过切片、动作控制和人工 QA，转换成同一个教练、同一套服装、同一个摄影棚和同一种镜头语言的动作资产；再把这些资产按 ID 写进动作库，编排成课程，并把指导、纠错、鼓励、倒计时和进度语音放到正确的时间点。

这样改变的不是“视频看起来更像 AI 还是更像真人”，而是训练内容的生产方式：

• 真人动作仍然是运动轨迹的依据，不靠 prompt 猜动作；

• 同一个数字人统一角色、背景、服装、镜头和品牌视觉；

• 每条动作都能带着来源、prompt、模型和 QA 状态进入动作库，跨课程复用；

• 动作视频、课程结构和语音彼此分离，改一句指导不需要重做视频；

• 已通过 QA 的数字人动作可以先上线，未通过的继续回退真人参考，不必等整座动作库一次做完；

• 模特、场地和拍摄不再随每个新增动作重复投入，内容的边际生产成本因此显著下降。

现在，这条路线已经不只是一张对比图。Da‑Yul 已经能带完一节 10 分 35 秒的网球课：20 个动作、42 个步骤、198 条语音事件、418 个音效事件。她从热身进入正反手主训，再带到拉伸；动作开始前讲站位和准备姿势，训练中提醒发力、呼吸与节奏，结束前倒计时并切到下一项。

画面负责把动作做对，语音负责把用户带完。

真实 App 跟练画面：数字人示范、语音指导、动作计数与课程进度同时工作

为了做到这一步，我把从动作参考到 App 跟练的完整生产线拆成八步：

课程与动作清单 → 动作源采集和单动作切片 → Character Bible → Kling 3.0 Motion Control → 人工 QA → ActionLib 动作库 → 课程时间轴 → 语音编排与播放器。

这条管线目前跑出了 21 条可入库视频：4 条热身、11 条网球专项、6 条拉伸放松，其中 20 个动作进入了这节课。它还没有完整集成进 iOS，但已经不是一条循环播放的 Demo，而是一套可以继续扩动作、排课程、改语音的跟练原型。

下面我把每一步为什么这么做、实际怎么做，以及哪些地方仍然会失败，完整拆开。

第一件事不是写 prompt，而是把动作源找对

这批网球专项动作，我主要从小红书找；一部分通用体能、热身和拉伸动作也会从 YouTube 找。选择动作源时，我关心的不是视频有多火，而是它能不能作为 Motion Control 的“动作底稿”。

我现在会优先选这些素材：

• 单人、全身完整入镜，手脚不要频繁出画；

• 一个片段只做一个动作，不要中途切镜头；

• 机位固定，身体不要被桌椅、字幕或其他人遮住；

• 动作有清楚的开始、发力、结束，节奏不要忽快忽慢；

• 球拍、网球、瑜伽球等关键道具尽量清楚；

• 片段最好落在 3–30 秒，足够看完一轮，又不塞进多余内容。

这次最完整的一条网球原片长 118.654 秒，里面连续演示了 11 个动作。我没有做自动切片，而是用 Bandicut 手动找每个动作的起止点，切成 11 条 6.733–10.6 秒的 mp4。

我后来把 Downloads 里的 11 个中文文件名分段，和 Yox 仓库中重命名后的 11 个真人参考视频逐个做了 SHA‑256 对比。11 组全部完全一致。这条证据链可以一路从原始长视频、Bandicut 分段，追到动作库里的 video_url。

这里也有一个需要诚实记录的缺口：这条原片对应的小红书帖子 URL 没有写进 JSON，下载文件的来源信息只保留了当时使用的下载工具页面，没有找回原帖链接。现在能确认的是本地原片、下载时间、11 个分段和仓库副本；从下一批开始，原帖 URL 必须在下载当时就写进来源账本。

一条 118.7 秒动作源，经 Bandicut 手动拆成 11 个可控片段

为什么这里我还是坚持手动剪？因为 Motion Control 对边界很敏感。开头多留一个人走进机位，结尾多留一次转身，模型都有可能把它当成动作的一部分。对几十条素材，人工多看几秒，比后面反复重跑更省。

当然，“公开能看到”不等于“可以随便商用”。我会把原始页面、下载日期、作者、用途和授权状态做成来源账本。自有数字人解决的是画面主体的一致性，不会自动替动作源、Logo 或真人音色解决权利问题。这里说的是我的生产流程，不是法律意见；正式上线仍要逐项核对授权与平台条款。

形象一致不是运气，是一套锚定资产

AI 视频最容易让用户出戏的，不一定是某一帧手指不完美，而是同一个人这条视频和下一条视频长得不一样。

所以 Da‑Yul 不是一张漂亮正脸。她有横屏和竖屏两套 anchor，还有转身多视角、头部多视角、服装细节和动作演示四类 Character Bible 资产。

Da‑Yul 转身多视角：正面、侧面、背面和 45° 都有独立参考

头部表单独处理身份。正脸、两侧 45°、90°、背面和后侧视角越清楚，视频转头时越不容易突然换脸。

头部九视角：给正脸、侧脸和转头过程提供身份锚点

服装表则锁住白色上衣、百褶裙、绿色包边、遮阳帽、鞋袜和面料细节。它不是时尚 moodboard，而是防止这条裙子三层、下一条五层，装饰位置和颜色也跟着漂移。

服装细节表：面孔、面料、裙褶、腿部、鞋袜和眼部细节分开固定

动作姿势表不是动作源，而是用深蹲、弓步、平板支撑、单腿平衡等不同身体状态，检查同一张脸、同一套身体比例和同一身服装在大幅度动作里会不会漂移。

动作演示九宫格：用不同全身姿态检查身份、比例与服装的一致性

横屏和竖屏也必须分开准备。可灵生成的视频画幅会受到人物参考图构图影响：想要 16:9，就用横屏 anchor，让身体两侧留出运动空间；想要 9:16，就用竖屏人物图。用一张竖屏全身照硬做横屏，最常见的结果就是人被挤在中央、动作一展开就出画。

这套资产前后经历了很多版本。雀斑、下颌疤、手表、明显腹肌、过粗的腿和不需要公开的品牌标记都曾经出现过，又被逐一推翻。最后的经验不是“找到一条神 prompt”，而是让不同参考图分工：哪张管身份，哪张管角度，哪张管身体，哪张管服装，哪张管摄影质感。

我实际怎么用可灵 3.0 Motion Control 网页版

这批成片用的是快手可灵网页版的 Video 3.0 Motion Control。做这批内容时，动作控制节点还没有可用的 API 路线，网页端反而更直接，而且当时成本也更低，所以我没有假装把它包装成一套全自动 API 系统。

实际操作只有几个核心输入。

• 上传一条参考动作视频；

• 上传一张与目标视角、横竖比相匹配的 Da‑Yul 人物图；

• 选择人物朝向跟视频一致，还是跟图片一致；

• 绑定 Da‑Yul 面部主体，提高转头时的脸部一致性；

• 选择 Video 3.0、分辨率等生成参数；

• 写一段很短的动作、道具、场景和镜头 prompt。

可灵 3.0 Motion Control 动作控制实录：参考视频、人物图、朝向、Da‑Yul 面部主体与实际 prompt

“人物朝向与视频一致”适合动作方向本身很重要的片段，比如垫步后往哪边踏、正反手从哪侧启动；“人物朝向与图片一致”则更依赖人物图的朝向。我的做法是先从 Da‑Yul 多视角资产中选最接近源视频的一张，再决定让哪一边主导，而不是拿同一张正面照硬跑所有动作。

面部主体可以直接上传一张正面脸部特写，也可以上传 3–8 秒的角色视频：正视镜头，再依次向左、向右、低头、抬头。我的这批 Da‑Yul 直接用了脸部特写，在可灵里创建并命名为 Da‑Yul。

下面三张截图不是三个界面示意，而是我真实跑过的三个类别。

热身动作：深蹲挤压侧腹，720p 生成页与结果同屏

网球专项：单腿支撑双手反手，左腿承重、右脚搭在灰色瑜伽球上

拉伸放松：右侧前臂拉伸，使用侧面人物图并绑定同一个 Da‑Yul 面部主体

截图里的三次任务分别显示了 45、120、132 点，但这不是一个可以直接外推的统一单价；分辨率、视频时长和当时的产品计费都会影响结果。我更愿意保留真实截图，让人看到我当时怎么点，而不是编一个漂亮但无法复核的“每条固定成本”。

Motion Control 里，prompt 为什么反而要短

因为这几个输入已经分工了。

参考视频负责动作；人物图和面部主体负责身份；prompt 只需要补视频和图片没有说清楚的东西：道具、站位、摄影棚、光线、镜头和禁止项。

例如“垫步＋关闭式正手”的动作句是：

垫步加关闭式正手挥拍演示。右手持白色网球拍，原地分腿小跳垫步落地后右脚踏出锁定关闭站位（左肩朝击球方向），转腰挥拍击球。

所有视频再共用一个摄影棚后缀：

背景为干净的奶白色摄影棚 cyclorama。柔和自然日光从左上方照射。镜头：三脚架固定、无变焦、无抖动。照片级真实感，DSLR 质感、真实皮肤纹理，不卡通、不动画、无文字水印。

单腿平衡、坐姿抛球这类动作，再把“65 厘米灰色瑜伽球”“白色网球拍”“黄绿色网球”写清楚。

我不会把人体动力学的全部解释塞进 prompt，因为动作视频已经在演。prompt 写得越长，越容易和参考动作互相争夺控制权。真正有效的是分工明确，不是形容词多。

这也不代表道具已经完全稳定。球拍会变形，网球会消失，瑜伽球可能换位置或穿模。我的生产流程仍然是：生成、人工筛选、高风险动作多跑几次；失败就换更清楚、更慢的源视频，必要时后期补道具。Motion Control 解决了大头，不是把 QA 变没了。

左边生成，右边真人：我到底怎么判断“够不够像”

同一个分腿垫步＋开放式正手：左边 Da‑Yul 生成，右边真人参考

同一个分腿垫步＋开放式正手的同步对比：左边 Da‑Yul 生成，右边真人参考

如果只截一帧比较，很多动作都会显得很像；真正应该看的是整个时间序列：准备姿势、垫步落地、重心转移、转髋带肩、挥拍方向和收尾能不能对上。

我不会说生成结果“每一次都和真人丝毫不差”。更准确的说法是：经过人工筛选后，一部分成片已经能在核心动作轨迹上足够接近真人参考，可以进入跟练动作库。手部和道具仍然是最容易失败的地方。

而且这套东西的价值也不在于骗用户“这是真人”。她就是 Da‑Yul，一个统一的数字示范者。用户真正需要的是动作清楚、节奏稳定、课程里前后风格一致。

一条生成视频只是玩具，动作库和课程才是产品

我最后入库的不是 21 个散落的 mp4，而是 21 个带元数据的动作资产：

• 4 条热身：肩部环绕、弓步转体、站姿前屈转体上举、开合跳；

• 11 条网球专项：关闭式、开放式、分腿垫步、单腿平衡、坐姿发球和抛球；

• 6 条放松：前臂、肱三头肌、三角肌后束和上背部拉伸。

同一个数字人和同一条管线，覆盖热身、主训与拉伸放松

每个 ActionLib JSON 同时保存真人源视频、Da‑Yul 视频、完整 prompt、模型 kling-3.0、模式 motion-control、可灵导出源文件名和播放器适配参数。生成结果不是剪完就躺在 Downloads，而是能被课程编排器继续消费的资产。

课程 00030 · 网球正反手发力打磨 最终用了其中 20 个动作：热身 3 个、主训 11 个、放松 6 个，总时长 10 分 35 秒。每个动作前还有 5 秒准备，一共 42 个步骤。

课程总览：20 个动作按热身、主训和拉伸进入同一条 10 分 35 秒时间线

这段录屏展示了课程总览、热身、主训、单腿平衡专项、拉伸和训练完成的真实衔接：

对应短推：

https://x.com/ZhenZhu200/status/2087943458094977241

这一步改变了经济模型：同一条“弓步转体”可以进入很多课程，同一条“右侧前臂拉伸”也不必为每门课重新拍。真正被复用的不是一段宣传片，而是动作资产。

网球教练在训练时，到底要说什么

Da‑Yul 不只是画面里的动作模特，她是这套跟练里的 AI 网球教练。语音系统负责她在训练时说的话，并在正确时点和动作视频叠在一起。

我把这些话按用户真正听到的体验来设计：

• 动作指导：站位、发力、挥拍轨迹、纠错和呼吸；

• 鼓励反馈：肯定这一拍，也提醒下一拍怎么更好；

• 叫你的名字：例如“Jacklyn，准备下一组”，让同一套课程变成个人陪练；

• 课程进度：第几组、还剩多久、何时换边和休息。

当前这节 Da‑Yul 课程的 21 个动作一共保存了 230 条训练提示。关闭式正手的实际指导是这样的：

• 侧身关闭，左肩对网；

• 右脚蹬地，转髋带肩；

• 重心推到前脚，拍头扫过；

• 送拍到左肩，完整收尾。

鼓励和进度也必须具体：“很好，这一拍很完整”“还剩 10 秒，保持节奏”都比泛泛说一句“继续加油”更有用。

这些话故意很短。训练中没有时间听一段百科解释。每句话都要一口气说完，最好动词开头，并且能落到“这一秒身体该怎么做”。短不是文风偏好，也是播放器计时和音频长度的工程约束。视频和语音分开保存，任何一句都可以单独修改，不用重做动作视频。

Da‑Yul 在训练时说的话：动作指导、鼓励、叫名字和课程进度

在播放器里，语音不是一条后期旁白，而是课程时间轴上的独立事件。当前课程把 198 条语音、418 个音效和 42 个视频事件逐条对齐；哪一句出现太早、太晚或太密，都可以单独调整，不需要重做动作视频。

语音编排实录：每条动作指导、鼓励、倒计时和转场提示都落在课程时间轴上

这段录屏截取了热身转主训、主训中的动作纠正，以及主训转拉伸三个片段：

对应短推：https://x.com/ZhenZhu200/status/2088259939181748499

我还在另一个仓库跑通了一条更像真人教练的语言路线。

2026 年 5 月 15 日下载的一段 B 站网球教学，完整留下了 mp4、抽出的 mp3、逐字稿、SRT、摘要和原始识别 JSON。它不是宣传口播，而是一位知名网球教练真实带学生时连续出现的观察、纠错和鼓励：

• 击球前重心再稳一点；

• 把屁股沉下去，把髋关节沉下去；

• 把注意力放在左手上面；

• 对，可以再放松一点；

• 降重心，不要忘了。

这些话比“保持正确姿势、继续加油”真实得多，因为它来自一个教练真的盯着学员练。后续我把这套现场表达拆成动作提示、鼓励、倒计时和组间提醒；在获得真人授权的前提下，再用 MiniMax 合成对应音色。实验计划里已经保存了 72 条合成语音，播放器可以优先使用预生成 mp3，未命中时再回退普通 TTS。

这条真实教练语料路线目前是下一步可以融合的升级方向，我不会把研究路线写成已经上线的功能。真人音色公开发布和商业使用前，也必须单独确认本人同意、训练语料范围和授权方式。

播放器把“生成资产”变成“可跟练内容”

跟练运行时不会再现场调用生成式 AI。播放器只播放已经审核过的 mp4 和 mp3，所以启动、切换、缓存和时间轴都可预测。

动作库同时保存真人视频和 Da‑Yul 视频，运行时走一条很朴素的降级链：

AI 视频 → 真人源视频 → 黑底或动作卡兜底。

这意味着产品不必等 1000 条动作全部生成完才上线。哪条 Da‑Yul 已经通过 QA，就优先用；没通过的继续用真人参考；两边都不可用，至少还有动作卡，不让播放器崩掉。

横屏视频放进竖屏手机时，我也没有硬裁成 9:16。播放器把同一条 16:9 视频叠两层：背景层 cover 填满并模糊，前景层 contain 保留完整身体。这样拍摄和生成阶段优先保证动作完整，竖屏适配留给播放器。

数字人真正解的是一个成本方程

传统拍摄不是一次付钱、永久结束。每增加一个动作，都要重新协调模特、场地、灯光、机位、档期和后期。数字人路线把很多固定投入变成可复用资产：同一个人、同一套服装、同一套摄影棚风格、同一个播放器和同一套语音机制。

所以它真正降低的是边际生产成本。

但我也不会说边际成本已经是零。可灵 credits、失败重跑、人工筛选、转码、存储、角色维护、动作准确性审核都还存在。现阶段我能证明的是成本结构显著改善，而不是已经验证了收入、毛利和“暴利”。

如果要复刻，我会按这个顺序做

完整工作流、Kling 网页操作包、Prompt 模板和检查脚本已经放在公开仓库：

https://github.com/zhenzoo/ai-sports-coach

安装后可以直接对 Agent 说：

Use $ai-sports-coach to inspect my project, prepare Kling Motion Control generation packets, and stop before any paid generation.

• 先设计课程和动作清单，不要先批量生成；

• 给每个动作找单人、全身、单镜头、节奏稳定的源视频；

• 用 Bandicut 切到一个片段只剩一个完整动作；

• 记录来源、授权状态和下载日期；

• 准备角色横屏、竖屏和多视角 anchor；

• 补头部视角、服装细节、动作姿势和正脸特写；

• 在可灵创建面部主体；

• Motion Control 上传动作视频和最匹配朝向的人物图；

• 根据动作决定跟随视频朝向还是图片朝向；

• prompt 只写动作补充、道具、摄影棚、镜头和禁项；

• 多跑、人工筛选，尤其检查手、球拍、网球和瑜伽球；

• 把成片和真人源一起写回 ActionLib；

• 为每个动作写好动作指导、鼓励、叫名字和课程进度；

• 最后再进播放器做准备、计数、进度、降级和竖屏适配。

我越来越确定一件事：技术和自媒体如果不服务于一个真实的商业目标，很容易只剩“今天又试了一个模型”。

Da‑Yul 对我来说真正有价值的地方，是她开始替训练产品承担一件原本极贵、极慢、难以扩张的工作：把课程设计变成能持续量产的跟练内容。

这才是我愿意继续更新她的原因。