最近很火的工作流，我也复刻试了下，完整流程是：

抖音链接 / 本地视频上传
↓
提取音频
↓
识别口播文案
↓
AI 改写降重
↓
语音克隆 / 语音合成
↓
唇形同步
↓
字幕 + BGM + 视频合成
↓
导出新视频

这套流程里：

f2 负责视频链接提取
FFmpeg 负责音频、字幕、BGM 和最终合成
FunASR 负责识别原视频口播文案
大语言模型负责改写和降重
CosyVoice2 负责生成新口播
LatentSync 负责让人物口型匹配新语音