学习系列课M5 · 职业版 AI 视频 · 第 5 讲

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:

  1. 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;
  2. 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;
  3. 质量控制:识别口型、手势、眼神等不自然问题,并知道怎么修;
  4. 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

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。

本讲第 1 张表:第一步:先问清四个约束,再选技术路线
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
数字人口播画面构成:人像、字幕与产品小窗的分区布局。
图 1|数字人口播画面构成:人像、字幕与产品小窗的分区布局。

三条常见路线对比:

本讲第 2 张表:第一步:先问清四个约束,再选技术路线
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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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

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

本讲第 3 张表: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):

执行记录:

  1. 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;
  2. 生成女声配音,语速约 4.5 字/秒,段间停顿 0.5 秒;
  3. 选定一套商务休闲形象与浅色办公背景,全片不更换;
  4. 按 4 段分别驱动生成,每段生成后立即检查口型;
  5. 第 2 段“萃取一杯”口型略慢,缩短该句停顿后单段重生成;
  6. 加字幕(每行≤16 字)、轻音乐(音量压低,不盖人声)、结尾 logo 定格;
  7. 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

  1. 写 80–100 字脚本,切成 4 段,标注重音与停顿(5 分钟);
  2. 生成配音,调语速与停顿,确认数字和品牌名读法(5 分钟);
  3. 选形象并固定服装、背景、机位(5 分钟);
  4. 分段驱动,逐段校口型,问题段单独重做(10 分钟);
  5. 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

七、报价提示

八、延伸阅读


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。