AI音频和视频一起处理选择标准：第一次上手最容易卡在同步上

配音和画面分开做，合起来就发现口型对不上、字幕慢半拍、导出后音频被压掉一截——这类问题多半不是工具不行，是选方案时没先确认它怎么处理时间轴。这篇给一套判断标准：先看你手上是什么素材、要出什么片，再决定是找一条请求多模态、还是分开生成后对齐，最后给一份上线前的自查顺序。

配音和画面分开做，合起来才发现口型对不上、字幕慢半拍、导出后音频被压掉一截。这类毛病多半不是工具不行，是选方案的时候没人先问一句：它怎么处理时间轴。你把它当生成工具挑，它偏偏在同步上掉链子；你把它当剪辑工具挑，它又生成不了你要的画面。

这篇给一套能落地的判断标准。顺序是：先看清手上是素材还是成品，再决定同步靠谁给时间轴，然后确认导出形态和计费口径，最后给出问题出现时的排查顺序。照着走一遍，方案范围能缩掉一大半，剩下的坑也基本能提前看见。

先看你手上是素材还是成品

很多人一上来就翻功能列表，看谁支持得多。这步顺序反了。你手上如果是现成的音频文件加现成的视频文件，要找的其实是对齐和混流能力，生成能力再强也帮不上忙。反过来，你只有一份文字稿，才需要一条链路同时产出画面和声音。

把素材按「有没有时间轴」分两类，判断会清楚很多。带时间码的字幕、配音、原片算一类，纯文字描述算另一类。两类的方案几乎不重叠，混在一起挑，最后一定挑出一个什么都能干、什么都干不利索的。

• 带时间轴的素材：现成配音、现成字幕文件、已经剪好的原片，重点看它能不能读时间码、能不能按切点对齐
• 没有时间轴的素材：一段文字稿、一句口播文案，重点看它能不能自己排出节奏，以及排出来的节奏你能不能改
• 半成品：有画面没声音，或者有声音没画面，这类最容易被忽略，要先确认它支持补哪一边
• 把自己这次要交的东西写成三行：成片多长、有没有口播、要不要多语种字幕，写完方案范围基本就定了

同步这件事，靠什么对齐

同步的核心问题只有一个：时间轴由谁说了算。是由配音驱动画面，由画面驱动配音，还是外部字幕文件说了算。方向选错，后面全是手工挪，而且挪得越多越容易乱。

配音驱动的时候，看方案能不能按音频时长回调节奏。画面驱动的时候，看能不能按镜头切点插静音或者补画面。两种都做不到，就只剩手工对轨这一条路，那你要评估的是自己愿意花多少时间在剪辑软件里拖。

1. 做一条样片挑十几秒的素材跑一遍，别用最长的项目试，先用最短的
2. 丢进时间轴看把结果放进剪辑软件，看口型和字幕是不是一次就对得上
3. 记录偏差位置对不上就记下是整体偏移还是越到后面越偏，前者是起点问题，后者是节奏问题
4. 再决定要不要批量样片一次就对再往下做，对不上就先解决对齐方式，别硬着头皮批量

导出与计费口径，别到最后一格才发现

输出形态这件事，问清楚再动手。是分开给你一条音轨加一条视频，还是一条已经混好的成片？需要后期二次修改的，分开输出省事得多；只要最终成片、不打算再动的，混好的更省一步。

计费口径也要提前问。一条请求里同时塞进音频和视频，跟分两次调用再自己合并，计价方式往往不一样，有的按处理时长算，有的按输出时长算。具体单价别按记忆估，到 /price-watch 核对当时的数字，再决定是走一条链路还是拆开跑。

也有不适用的情况。只做单条、对时间精度要求又不高，多模态那套配置和调试复杂度不划算，直接用剪辑软件手工对一遍更快。判断标准就是：这件事你一周要做几次，一次省下的时间够不够抵掉前期折腾的成本。

出问题时的排查顺序

出问题别一上来就怀疑模型。顺序反了会浪费很多时间，而且容易得出错误结论，把好用的方案换掉。

• 先查输入：采样率、声道、帧率有没有在中途被转换过，转换过就可能是这一步引起的漂移
• 再查时间轴：起点对不对，是整体偏移还是越往后越偏，这两个现象指向完全不同的原因
• 然后单独跑一遍音频、单独跑一遍视频，能定位是生成端的问题还是合并端的问题
• 最后量延迟基线：到 /tools/speed-test 先看一遍接口响应情况，排除排队和网络导致的超时误判
• 确认是模型侧的问题，再去站内的模型资料库对比同类方案的输出规格

常见误判是装错了依赖或者参数填错格。比如采样率填成了默认值，而源音频是另一种规格，导出来就是慢半拍；又比如时间码的单位填成了毫秒而文件里是秒，整体偏移就是这么来的。这类问题查输入比查模型快得多。

同步问题九成出在入口和出口，模型本身往往是无辜的。