用途：根据文本生成带口型同步的数字人（说话头像）视频，基于 OmniHuman v1.5 流程，适合制作讲解类或口播类视频。
主要能力：整体管线为文本→TTS→音频→CDN上传→OmniHuman→视频→后期处理→最终视频。使用 OpenAI TTS 生成配音，可选音色 alloy、echo、fable、onyx、nova（默认）、shimmer；将音频与人像图上传 CDN 获取 URL；调用 OmniHuman 生成视频（720p、25 FPS、启用面部增强）；下载后可选添加背景音乐并裁剪首尾。输出为 720p（1280x720）、25 FPS、H.264 编码、AAC 128kbps 音频。
前置条件：Python 3.10+、OpenAI API 密钥（TTS）、fal.ai API 密钥（OmniHuman）、清晰正脸人像图。
使用方式（命令保持原样）： 生成配音：python video-pipeline/voice_generator.py "Your script text here" output/voice.mp3，可加 --voice nova。 上传 CDN：python video-pipeline/storage_manager.py output/voice.mp3 assets/avatar.png，返回音频 URL 与图片 URL。 生成视频：python video-pipeline/video_generator.py <audio_url> <image_url>，返回任务 ID 与完成后的视频 URL。 下载视频：python video-pipeline/video_retriever.py <video_url> output/avatar.mp4。 后期处理：python video-pipeline/post_processor.py output/avatar.mp4 assets/music/bg.mp3 output/final.mp4，选项 --music-volume 0.15（默认 15%）、--trim-start 0、--trim-end 0。
适用场景：需要数字人口播、讲解、频道视频等内容制作。
限制与提示：人像建议竖向、正面、光照清晰、中性表情，最小 512x512 像素，支持 PNG/JPG；脚本建议控制在 2 分钟以内，先短片段测试；成本估算：OpenAI TTS 1000 字符约 $0.015，fal.ai OmniHuman 每个视频约 $0.10-0.50；需注意 fal.ai 队列繁忙情况。其他细节暂未提供。