用 HOMIE 生成数字人视频，卡住的往往是素材规格不是模型

跑 HOMIE 生成数字人视频，出现报错、输出抖动或干脆跑不完时，先怀疑素材规格，而不是权重和推理参数。音频的时长与采样率、人像的边长与构图、驱动信号是否齐备、目录与命名是否和仓库示例一致——这几项都能用命令或日志直接验证，改动成本也低。下面按“先素材、后参数”的顺序，给出可以逐项核对的清单。

判断顺序建议固定为：先对齐仓库示例目录形态，再用 ffprobe 核对音频时长、采样率与声道，接着比对图像边长与目标输出尺寸，最后才动生成参数。每次只改一项，保留日志与输出文件用于对照。如果素材本身缺驱动信号，或音频长度明显超出示例范围，调参数通常补不回来；具体上限需要结合仓库说明和本次运行日志确认。

打开仓库示例目录，记下官方输入素材的形态

第一个动作不是改配置，是读示例。先把仓库自带的示例输入目录结构记下来，后面所有替换都以它为模板，避免自己造一套命名和层级。

cd <repo_root>
find examples -maxdepth 3 -type f | sort

看输出时把三件事记下来：人像素材有几份、是单张图片还是视频帧序列；音频有几条，命名是否与某份人像一一对应；驱动信号（关键点、姿态、深度图之类）有几个文件，数量是否和图像帧数匹配。数量对不上、命名规则和示例不一致，往往是后续读取失败的直接原因。示例里没有的字段，不要自己加。

用 ffprobe 读出音频的时长、采样率与声道

音频是最容易被忽略的一项。先对示例音频跑一遍命令，把结果当作基线；再对自己要用的音频跑同一条命令，两边对比。

ffprobe -v error \
  -show_entries format=duration,format_name \
  -show_entries stream=index,codec_name,sample_rate,channels,channel_layout,duration \
  -of default=noprint_wrappers=1 input.wav

输出形如：

index=0
codec_name=pcm_s16le
sample_rate=16000
channels=1
channel_layout=mono
duration=6.480000
format_name=wav
duration=6.480000

字段读法：sample_rate 是采样率，channels 与 channel_layout 是声道数和声道布局；两处 duration 分别是容器时长与音频流时长，二者差异过大通常说明容器头信息不干净。期望值不要靠猜，从仓库说明或示例文件反推——示例是 16 kHz 单声道，就先用 16 kHz 单声道试；时长明显长于示例的音频，建议先截到接近示例长度，再看其他项是否还有问题。

核对人像分辨率与最终输出分辨率的对应关系

把目标输出尺寸和人像边长写在一起看，比单看某一项有用。建议按下面的形式记录：

人像原始边长：宽 × 高，用 ffprobe 或看图属性确认，不要凭截图判断
目标输出尺寸：宽 × 高
两者比例：是否接近同一宽高比，是否需要裁剪
实际动作：缩放、裁剪，还是原样送进去

通常来说，人像边长低于目标输出短边时属于放大采样，面部细节会先丢：眼睛、牙齿、发丝边缘发虚，口型快速开合处出现拖影或振铃。反过来，人像远大于输出尺寸是降采样，一般更稳，但过度降采样同样会软化边缘。判断不用猜——看输出帧里五官区域是否糊、边缘有没有锯齿或光晕，再决定是换素材还是调裁剪框。

把一次失败生成拆成素材项逐条排除

用单变量替换来定位问题。顺序建议是：先换音频，再换人像，最后才动生成参数。理由很实际——音频替换成本最低，人像次之，参数改动的组合最多、最难归因。

第 1 步：只换音频，其余和上一次完全一致，记录是成功、失败还是输出异常。
第 2 步：只换人像，连分辨率和构图一起换掉，音频沿用第 1 步的，继续记录。
第 3 步：素材都对齐示例后仍不稳，再改生成参数，且一次只改一个。

每次记同样四栏：改了什么、日志末尾的报错或警告、输出文件是否生成、输出时长是否与音频接近。三轮下来，问题落在哪一侧基本就清楚了。换任意音频都失败，多半不在音频；只有某张人像出问题，多半是分辨率或人脸区域占比不合适。

确定调整顺序：先素材合规再动生成参数

下面这份清单按顺序执行，每一步都标注要看的日志或输出文件，前一步没过就不要跳到下一步：

目录与命名对齐示例 —— 看文件扫描或数据加载相关的日志，是否报告找不到文件、键名不匹配。
音频规格合规 —— 看 ffprobe 输出，以及日志里读入的音频时长是否与文件实际时长一致。
人像分辨率与构图 —— 看预处理阶段的 resize / crop 日志，或落盘的中间帧。
驱动信号齐备且对齐 —— 看关键点或姿态输出文件是否生成、帧数是否与人像帧数对应。
最后才调生成参数 —— 看推理日志与最终输出视频，确认时长、帧率、画面是否稳定。

这样排的原因很简单：素材项都能用命令验证，属于确定性判断；生成参数只能靠输出效果反推，属于概率性判断。先把确定性的部分清干净，再调参数，改动才有可归因的结果。如果某一步在本地无法确认，先保留该步的日志和输出文件，再继续下一步，不要用参数去掩盖素材问题。