如何用数字人制作口播视频

很多人第一次做数字人口播，卡的不是不会点按钮，而是稿子写成了书面语、形象和场景不搭、声音念出来像机器人，最后导出才发现口型对不上。这篇按顺序把流程走一遍，告诉你每一步该产出什么、什么情况要回头改哪一环，以及哪些环节可以省、哪些不能省。

第一步：先把口播稿改到能念出来

不管是自己录音还是交给数字人念，稿子是唯一的信息源。稿子不顺，后面配音、对口型、加字幕全是白费功夫。所以第一步不是挑形象、不是选音色，而是把稿子改到「能顺着念出来」。这一步花十分钟，能省掉后面反复重生成的一小时。

• 按说话的顺序写，不要按写文章的顺序写；主谓宾放前面，修饰语往后挪
• 一句话一个意思，别在一句里塞转折和补充，从句拆成独立短句
• 把书面词换成日常说法，比如「进行优化」改成「改一下」、「具备能力」改成「能做到」
• 数字和专有名词要么写全，要么写成读起来不歧义的形式，避免念错
• 同一段里别频繁换人称，一会儿「我们」一会儿「你」会让人听着走神

改完之后要按语速估时长。中文口播大致可以按每秒四到五个字来粗算，具体到你的音色快慢不一样，最好先拿一小段去站内的试听工具跑一遍。估时长是为了控制每句话的长度：一口气念不完的句子，观众听着也累，数字人念出来更容易糊成一片。句子之间标出停顿位置，逗号、句号之外，该断气的地方补一个斜杠或换行，生成时才好控制节奏。

1. 开口读一遍别默读，出声念。凡是念着绕口、需要回看两遍才顺的地方，直接在原稿上改掉，不要想着「生成的时候会好一点」。
2. 掐一次时长用手机计时，按你平时的语速念完全稿，记下总秒数。跟目标时长差太多就删内容，不要靠加速念来硬塞。
3. 标停顿点在需要喘气、需要强调、需要让观众反应的地方标上符号，形成一份带节奏标记的稿子，再交给下一步。

定稿之后再动手做数字人部分。每次改稿都要重跑一遍生成，返工成本远高于在文字上改。稿子读着顺、时长对得上、停顿标清楚，后面选音色、调口型才有稳定的基准。

第二步：挑数字人形象与背景，按用途而不是按好看

拿到一个数字人库，很多人第一反应是按截图好不好看排序，挑最精致的那个。这步顺序反了。应该先问自己一句话：这条口播是干什么用的？用途决定形象气质，气质不搭，观众第一眼就出戏，后面内容再扎实也拉不回来。

背景和画面比例要一起定，不要先做画面再想背景。竖屏口播要给字幕和贴片留位置，通常人物站位偏上、下方留出安全区；横屏更适合对着 PPT 或屏幕讲，人物可以放侧边，中间留给演示区。比例一旦选错，后期补字幕时会发现人物脸被挡住，只能重做。

• 先定发布平台与比例，再选背景样式，顺序别倒过来
• 竖屏留字幕区：人物头部不要顶到上边缘，下方留出约四分之一画面
• 横屏对屏讲解：人物靠一侧，演示区放在另一侧，避免人物正压内容
• 背景色和服装色拉开对比，同色系容易糊成一片
• 背景别放高对比花纹或滚动元素，容易抢观众注意力

还要提前确认形象的动作幅度与站位。只讲不动的类型适合知识口播，胜在稳定、不出戏；需要手势的类型更适合带货，手一抬观众注意力就跟着走。关键问题是：这条视频要不要露手？如果脚本里有指产品、比数字、做手势的段落，选之前就得确认模型有没有手部动作，别等生成完才发现只能上半身。

1. 写一句用途说明用一句话写清这条口播的目的和观众，例如「给新手讲清三个概念」或「推一款日用品」。写不出来说明还没想清楚，先别挑形象。
2. 按用途筛形象在站内数字人目录里按用途标签筛，而不是按封面好看程度排序。筛完留下两三个候选，逐个套进上面的对照表核对气质与服装。
3. 定比例与背景先确定发布平台对应的画面比例，再选背景。竖屏检查下方字幕区是否被占，横屏检查人物是否压住演示区。
4. 确认动作需求翻一遍脚本，标出所有需要手势或露手的句子。有就选带手部动作的形象，没有就用静态讲解型，省事也更稳。
5. 生成一段样片验证别直接整条开做。先出一条短样片，重点看三点：口型是否同步、服装与背景是否打架、字幕区是否够用。三项都过再往下走。

这套判断有个不适用的情况：如果你做的是系列化栏目，形象一旦定下来就别频繁换，观众认脸。这时候「按用途挑」只在第一期做一次，后面按统一规范沿用，别每期重新选一遍。反过来，如果只是临时做一条测试片，那就不必纠结，挑个顺眼的先跑通流程更重要。

第三步：配声音、调语速与停顿

选音色的顺序建议反过来：先按视频场景筛一遍，再在剩下的里挑你听着顺耳的。讲解、教程、知识类偏稳，句子之间留得住气；种草、带货、口播短评偏轻快，句尾有上扬感。别只看音色库里的试听样例，那几句话是专门为这个音色写的，换个稿子可能完全不是一回事。

1. 用真实句子试念从你这份稿子里挑两句最长的、最容易读错的，直接丢给音色试念。听三件事：断句是不是你想要的、重音落在哪个词、尾音会不会拖。样例念得好不代表你的稿子念得好，这一步花两分钟能省一次整段重做。
2. 先调断句，再谈换音色把稿子按语义切成短句，逗号太密的地方合并，一句话里超过两处停顿就拆开。语速、停顿、重音是三个独立参数：语速管整体快慢，停顿管句子在哪里喘气，重音管哪个词被强调。机械感十有八九来自停顿位置不对，跟音色关系不大。
3. 标出多音字和数字生成前通读一遍稿子，把多音字（行、重、还、长这类）和所有数字、单位、英文缩写单独标出来，决定每个读什么。这一步不做，出来就是整段重做。中文里数字读法尤其容易出岔子，日期、金额、百分比、型号各有各的读法。
4. 锁定参数再批量生成确认语速、停顿、重音都对之后，把这组参数固定下来，再整篇生成。中途改参数会导致前后语气不一致，拼接痕迹明显。如果一篇里有多段不同情绪，那就分段生成，各自留一套参数。

• 讲解、教程类优先挑偏稳的音色，句子收得住；种草、带货类优先挑偏轻快的，节奏带得起来。
• 试念时用稿子里最长的句子，不要用短句，短句听不出断句问题。
• 把语速、停顿、重音当成三件事分别调，别指望换个音色就能解决机械感。
• 多音字和数字在生成前通读标记，这一遍通读是省时间的，不是多余的。
• 同一篇里语气差异大的段落，分段生成、各自锁定参数，再拼回来。