M5 · 职业版 AI 视频 · 第 5 讲
第 5 讲:数字人与配音
3 分钟口播,不露脸也能交付
客户会怎么提
“我们要做 3 分钟产品口播,讲师不方便出镜。能不能用数字人?要看起来自然,周五前给第一版。”
这类需求背后,客户真正担心的通常不是“像不像人”这么抽象,而是三件具体的事:能不能按时交付、口型和声音对不对、发出去会不会显得假。职业交付要把这三个担心逐一拆解,用流程和验收标准来兜底。
本讲要解决的问题
数字人口播最容易翻车的地方,不在“生成”这一步,而在前后衔接:脚本不口语化导致念起来别扭、先做画面后配音导致口型对不上、一次生成整段导致返工成本爆炸、验收标准模糊导致客户反复说“不自然”。
本讲要解决四个问题:
- 路线选择:面对不同时长、周期、预算和信任要求,选平台数字人、开源自部署还是真人+AI 配音;
- 流程顺序:用可重复的步骤把脚本、配音、形象、驱动和后期串起来;
- 质量控制:识别口型、手势、眼神等不自然问题,并知道怎么修;
- 交付边界:把验收项、报价范围和授权责任说清楚,避免后期扯皮。
本讲目标
- 在三条技术路线里按时长、周期、预算和信任度做选择;
- 用七步流程做出 30 秒可用口播样片,并能扩展到 3 分钟;
- 处理口型、手势、眼神、表情与背景五类常见不自然;
- 按职业标准验收并给出可执行的报价拆项。
逐步操作
第一步:先问清四个约束,再选技术路线
不要一上来就推荐某个平台。先把约束问清楚,再匹配路线。
| 约束 | 要问清什么 | 对选型的影响 |
|---|---|---|
| 时长 | 总时长多少、是否分多条 | 1–3 分钟适合平台;5 分钟以上分段或考虑自部署 |
| 周期 | 初稿和终稿什么时候要 | 周内交付优先平台;自部署有环境与调试成本 |
| 出镜与信任 | 品牌是否要求真人、是否涉客户信任 | 强信任场景优先真人拍摄+AI 配音 |
| 数据与授权 | 素材是否涉密、形象和声音是否已授权 | 涉密或需私有化时考虑自部署,授权必须单独确认 |
三条常见路线对比:
| 路线 | 做法 | 适合 | 代价与风险 |
|---|---|---|---|
| 平台数字人 | 选模板形象或上传授权形象,输入文本生成 | 1–3 分钟口播、周更内容、快速试错 | 按分钟/次数计费,形象同质化,细节可控性有限 |
| 开源自部署 | 本地或云端部署驱动与合成方案 | 长视频、批量生产、私有数据 | 环境重、需要显卡或云资源,调试与维护成本高 |
| 真人拍摄 + AI 配音 | 真人出镜录画面,后期替换或优化声音 | 品牌背书、培训、对信任要求高的场景 | 需要拍摄场地与人员,但自然度最高 |
决策口诀:三分钟以内且要快,优先平台;超过五分钟、涉密或要批量,评估自部署;客户要“像真人在跟我说话”的信任感,真人拍摄仍是首选。
第二步:按七步流程推进,顺序不能反
- 脚本口语化:把书面语改成短句,一句不超过 20 字;把“首先/其次/综上所述”换成“第一/再看/所以”;数字和专有名词标注读法。
- 配音:先生成或录制声音,再定语速与停顿;口播类一般每秒 4–5 字,培训类可更慢。声音没定,不要进入驱动。
- 形象:选平台形象或准备真人素材,固定服装、发型、背景与光线;同一条片子不要中途换形象。
- 分段驱动:按段落或按 20–30 秒切段生成,不要一次生成三分钟;单段出问题只重做该段。
- 口型校对:逐段看嘴型与重音是否对齐,重点检查数字、品牌名、英文缩写。
- 手势与眼神:减少重复手势,视线尽量看镜头;手势多容易穿帮时改用半身或近景构图。
- 后期:加字幕、轻音乐、片头片尾与统一调色;导出比例与投放平台一致(如 9:16 竖屏)。
关键原则:先定声音,再驱动。声音变了,口型就要重来;一次性生成长片,返工成本会成倍增加。
第三步:打磨自然度,抓五个细节
- 断句:逗号停半拍,句号停一拍;长句拆成两句,避免一口气读完;
- 重音:每句只强调一个关键词,价格、数字、结论适当加重;
- 语速:每秒 4–5 字为基准,重要信息前后略放慢;
- 停顿:段落之间留 0.5 秒左右,给观众消化,也给画面切换留空间;
- 口头语:保留少量“我们来看”“接下来”帮助衔接,但删掉“嗯、那个、然后然后”。
字幕与声音要匹配:每行不超过 16 字,断行跟语义走,不要把一个词拆到两行。
第四步:交付前按清单验收并锁定报价范围
验收不是“看着还行”,而是逐项过一遍可见标准。报价也要把脚本、配音、驱动、字幕、修改轮次和授权写清楚,避免客户默认“全包”。
常见失败与修正
| 问题 | 表现 | 常见原因 | 修正做法 |
|---|---|---|---|
| 口型不同步 | 字已说完嘴还在动,或嘴型与音节错位 | 单段过长、语速过快、先画面后配音 | 单段控制在 20–30 秒,先定配音再驱动,问题句单独重做 |
| 手势重复 | 每句话同一个挥手或点头动作 | 模板动作单一、驱动幅度过大 | 减少手势段落,改半身/近景,必要时分段选不同动作模板 |
| 眼神飘 | 不看镜头、频繁眨眼、视线游移 | 素材角度不正、头部运动过大 | 固定正面机位,减少头部摆动,后期裁切让视线更集中 |
| 表情僵硬 | 全程一个表情,与内容情绪不匹配 | 整段统一情绪参数、脚本无情绪提示 | 按语义分段生成,开场/讲解/收束分别设定情绪强度 |
| 背景穿帮 | 人物边缘发虚、光影与背景不一致 | 抠像质量差、背景光源方向冲突 | 优先纯色或轻虚化背景,统一光源方向,避免复杂背景 |
返工优先级:先修口型与读音(影响理解),再修眼神与停顿(影响可信度),最后调手势与背景细节(影响观感)。
一个完整示例
客户需求: 3 分钟产品口播,讲师不便出镜,周五前交第一版,投放微信视频号竖屏,用于新品介绍。
路线选择: 周期紧、时长 3 分钟、信任要求中等(产品介绍,非高风险背书),选择平台数字人路线;与客户确认形象与声音授权来源。
脚本与分段(节选 30 秒样片,约 130 字):
- 第 1 段(0–8s,约 35 字):“很多人出差带咖啡,总担心太麻烦。这台便携咖啡机,放进背包就能走。”
- 第 2 段(8–16s,约 35 字):“加粉、加水、按一下,三分钟就能萃取一杯热咖啡,不用找插座。”
- 第 3 段(16–23s,约 30 字):“杯口出液稳定,香气足,办公室、露营、车里都能用。”
- 第 4 段(23–30s,约 30 字):“如果你也想随时喝到现磨,点击下方了解参数和价格。”
执行记录:
- 将客户提供的书面介绍改成短句口语稿,标注“萃取”读音与“3 分钟”重读;
- 生成女声配音,语速约 4.5 字/秒,段间停顿 0.5 秒;
- 选定一套商务休闲形象与浅色办公背景,全片不更换;
- 按 4 段分别驱动生成,每段生成后立即检查口型;
- 第 2 段“萃取一杯”口型略慢,缩短该句停顿后单段重生成;
- 加字幕(每行≤16 字)、轻音乐(音量压低,不盖人声)、结尾 logo 定格;
- 导出 9:16、1080×1920,时长 30 秒,作为第一版样片给客户确认风格。
客户确认点: 先确认样片的“声音风格、形象气质、字幕样式、节奏快慢”,确认后再按同一标准扩展到完整 3 分钟,避免整片返工。
五、30 秒样片的做法
- 写 80–100 字脚本,切成 4 段,标注重音与停顿(5 分钟);
- 生成配音,调语速与停顿,确认数字和品牌名读法(5 分钟);
- 选形象并固定服装、背景、机位(5 分钟);
- 分段驱动,逐段校口型,问题段单独重做(10 分钟);
- 加字幕与轻音乐,导出目标比例并自检一遍(5 分钟)。
六、职业版验收清单
- [ ] 口型与重音对齐,无明显延迟或抢字;
- [ ] 每 10 秒至少一次自然停顿,长句已拆短;
- [ ] 手势不重复,眼神基本看镜头;
- [ ] 字幕每行不超过 16 字,位于安全区且无错别字;
- [ ] 人声清晰,背景音乐不压过人声;
- [ ] 服装、背景、机位与光线前后一致;
- [ ] 导出比例、分辨率与投放平台要求一致;
- [ ] 形象与声音的授权来源已确认并记录。
七、报价提示
- 按分钟计价时,把“脚本口语化、配音、驱动、字幕、后期、2 轮修改”明确写进范围;
- 超过 3 分钟按段拆价或分里程碑验收,避免一口价被无限拖长;
- 形象授权、声音授权、平台会员或算力费用单独列出,不默认包含;
- 加急费、超轮次修改费、脚本重写费提前说明触发条件;
- 若客户后续要求更换形象或更换声音,按新增制作量计,不算“修改”。
八、延伸阅读
- 资料地图
1.7 AI 数字人+语音合成 - 资料地图
1.5 AI 视频 - 资料地图
1.6 AI 音乐
下一讲:长视频、定格与科普动画。你会用同一套流程,处理三种不同形态的片子。