最近在抖音上刷到一条爆火的卡点视频，很有节奏感。找不到原片了，大概是这种。
然后就想替换其中的人物复刻一个类似的视频。
网上很多复刻失败，并不是人物不够好看，而是走位、重心、镜头距离和遮挡关系没对上。
我们只保留爆款视频的动作和空间结构，再换成自己的角色：先用 Codex 把动作抽象成深度视频，再在 LibTV 中完成人物替换。
深度视频+人物三视图工作流
- 深度视频是一种包含场景深度信息的视频类型，通过记录每个像素到摄像机的距离，实现比传统二维视频更真实、立体的视觉体验。
- 人物三视图则是通过完整展现人物角色正面，侧面，背面三个不同视角。
而我的整个制作流程就是基于深度视频来生成的。
深度视频负责“动作与空间”，人物三视图负责“长相与服装”，两者配合比只上传原视频稳定。不过它不是万能钥匙：脸和服装的一致性仍取决于人物参考图，复杂手指也可能出错。
一、让 Codex 生成深度视频
我把原视频交给 Codex，核心指令只有这一段：
- 请把这个视频转换成深度视频
Codex 先读取视频参数：6.25 秒、1080×1920、60fps，共 371 帧。随后自动创建 Python 环境，安装 OpenCV、NumPy、ONNX Runtime DirectML，调用 FFmpeg 编码，并下载约 99MB 的模型。整个过程不需要我手写代码。咱们知道一下就行。
最终我们得到如下一个深度视频：
Tips：原则上你用任何Agent都可以的，不管的WorkBuddy，ZCode，Trae或其它Agent，都是可以生成深度视频，主要是调用你的本地程序和显卡。
二、Codex用的是什么算法
核心模型是 Depth Anything V2 的 ViT-Small，约 2480 万参数。它对每帧做单目相对深度估计：离镜头近的区域更白，远处更黑。
单纯逐帧处理容易闪烁，所以脚本又做了三步：用 2%—98% 分位数统一灰度范围；平滑相邻帧的深度区间；静止区域更多继承上一帧，运动边缘优先采用当前帧。最后放大回原分辨率，以 H.264、CRF 10、无音频方式输出。
三、显卡要求和实际耗时
生成深度视频对于电脑的显卡是有一定要求的。
我的电脑是 RTX 3060 Laptop 6GB，处理器是 i7-12700H，推理走 DirectML。
根据文件时间记录：首次配置环境、下载模型到成片约 12 分钟；真正处理 371 帧用了约 2 分 23 秒。
经验上，ViT-Small 处理这种 6—10 秒短视频，4GB 显存可以尝试，6GB 比较够用；想换更大的 Base/Large 模型或处理长视频，建议 8GB 以上。
没有独显也能跑 CPU，只是会慢很多。这些是实测经验，不是算法的硬性门槛。
四、生成人物三视图
这个比较简单，提供一张人物的近身图片，上传给生图大模型，让它生成人物三视图即可，可以使用下面的指令：
- 参考上传图片的人物形象，采用近照特写和三视图参考布局，背景为干净白色背景。左侧为人物近照特写，右侧为人物三视图，包含全身视图：前视图、左侧视图和后视图，均为双手在侧的中性站立姿势。服装保持整体气质的前提下，发饰和服装调整的简约一些，人物五官装扮保持不变，画面上除了人物不出现其它场景，文字，logo等不相关内容。整体风格是清晰、高分辨率的写实渲染照片，而不是插图。每个视图独立生成一张图片，每张图片比例均为9:16
这样我们就可以得到这样一张人物三视图。
五、在 LibTV 里完成人物替换
深度视频完成后，我们打开LibTV同时上传：
- 同一人物近照+三视图图片；
- 处理好的深度视频。
提示词可以直接写：
- 以提供的黑白深度视频作为深度引导参考 {{Mixed 2}} ，严格遵循深度视频中的空间纵深，人物姿态，镜头移动轨迹，画面结构；将深度视频中的人物替换为指定角色 {{Mixed 1}} 的五官和服装装扮，去掉黑色小肩包，
- 将深度视频抽象结构转化为超写实人物短片，高调纯白无缝摄影棚场景，背景和地面均为干净纯白，无任何家具、凳子、电线、摄影器材或其他杂物。还原真实的环境材质，自然光影，人物动作，场景布局和提供的深度视频保持一致，画面流畅无崩坏，持续匹配深度信息不偏移，角色形象保持统一。
这样生成后，原爆款视频的动作、走位和推进关系被保留下来，人物则替换成了三视图里的新角色。
六、还有哪些方案
最近LibTV也上线了深度动作捕捉，如果你没有显卡，或者觉得电脑生成的慢，你就可以在这上面快速生成，免费的哦。
不过我测试了一下，发现它的精度没有我本地显卡的精度高，不过动作引导没什么问题。
这套工作流的核心就是针对爆款视频的动作、机位和空间关系进行处理，深度视频能显著提高人物替换的复刻度；如果核心是台词、剪辑或情绪表演，它的帮助就有限。