用 Gemini 生成三段数字人素材，再用 Codex 半手动剪辑，我做出了一条 39 秒视频，没有调用视频生成模型的 API。

第一版最明显的问题，不是画质，而是全屏讲话时口型违和、手部细节露馅。

调整后，我缩短了全屏口播，更多用图文承接内容，避开有问题的手部画面。观感改善了，但这不等于真正修好了口型同步。

这次的经验：低成本方案不必强求数字人全程露脸。先判断哪些问题能靠剪辑改善，再决定要不要重做素材。