真人位 · 专治 AI 味

AI 做的东西有个通病：哪儿都对，就是不像人做的。观众说不出哪里别扭，但手指头就是不点赞、不转发。

这个技能就是把那点"人味"补回去。它管四层：

信条：宁可糙一点，也不能假。真人有瑕疵，机器才完美。

快速开始（三条命令）

# 1) 检查环境（会告诉你本机能跑哪一档）
python scripts/voice_cast.py --doctor

# 2) 一键分角色配音（需要 edge-tts + ffmpeg）
python scripts/voice_cast.py --spec cast.json --out narration.wav

# 3) 没有网络 / 没有 ffmpeg 也能出活：只出台本 + 时长 + 分配音方案
python scripts/voice_cast.py --spec cast.json --plan

三档模式自动降级，任何环境都能拿到可用交付：

> C 档不是"降级糊弄"，它输出的是可直接执行的生产单——谁拿到都能照着配，不依赖本机装了啥。

一、声音层（最立竿见影的一层）

1.1 音色库

本机走 edge-tts（微软神经网络语音，免费、已装）。可用中文音色：

> 完整清单随时可跑 edge_tts.list_voices() 复核，新音色会不断加。

1.2 按年龄压声线（关键技巧）

同一个音色，调三个参数就是两个人。年纪越大，语速越慢、音调越低：

1.3 呼吸与停顿

真人说话有换气，机器没有。两条硬规则：

• 句与句之间留 180–320ms 空白（激烈处短，沉思处长）
• 一句话超过 14 个字，中间必须断——用句号或破折号切开，别让 AI 一口气念完

1.4 一键配音引擎

scripts/voice_cast.py —— 喂一张台词表，自动分角色、调声线、插停顿、拼音轨：

python scripts/voice_cast.py --spec cast.json --out narration.wav   # A 档：出成品音轨
python scripts/voice_cast.py --spec cast.json --plan                # C 档：出台本（无依赖）
python scripts/voice_cast.py --doctor                               # 先查环境能跑哪档

台词表格式、可复制模板、常见错误见 references/voice-casting.md。引擎会自动：
1. 按角色分配音色与年龄参数
2. 把超过 14 字的长句在标点处切开，按标点插入呼吸停顿
3. 逐段生成后拼成一条完整音轨（A/B 档），或输出带时长预估的配音台本（C 档）
4. 打印总时长，方便对镜头时长

降级是自动的：edge-tts 不可用 → 试 pyttsx3；两者都不可用 → 自动转 C 档出台本，并在末尾明确告诉你哪一步没做成，绝不假装成功。

二、文本层：把书面语翻成能说出口的话

AI 写台词最大的毛病是写给人看的，不是给人说的。判断标准很简单：你自己念一遍，会不会咬舌头？

2.1 三条铁律

1. 一句话不超过 14 个字（超过就断，长句是机器味的头号来源）
2. 能用口语词就不用书面词（见下表）
3. 每三五句插一个语气词（嗯、啊、你看、说实话）

2.2 书面语 → 白话对照

2.3 加"人味"的四种佐料

• 语气词：嗯、啊、唉、你看、说句实在的
• 口癖：老人爱说"我跟你说""这事儿啊"；年轻人爱说"真的""就"
• 自我修正：真人说话会改口——"不对，不是三顿，是三顿里头那顿"
• 留白：话说一半停一下，比说满更有劲

三、画面层：去掉塑料感

AI 出图三个通病，逐个破：

万能去塑料后缀（每张生图都带上）：

写实摄影风格，单一自然光源，明暗对比明显，构图偏侧不对称，
保留皮肤与材质的真实瑕疵，轻微胶片颗粒，浅景深

四、合规层：肖像权规避（重要）

这是真会出事的一层，不是走过场。

4.1 风险在哪

AI 生成的人脸，法律上不对应某个真人，本不侵犯谁的肖像权。但：如果生成结果与某位公众人物实质性相似（普通观众能认出来），就可能落入《民法典》第 1019 条的射程——该条明确禁止"利用信息技术手段伪造"侵害他人肖像权，实务中已有 AI 换脸被判侵权的案例。

风险等级：

4.2 三条规避手法（按可靠性排序）

① 负向约束（必做，每张生图都加）

原创面孔，非真实人物，不得与任何真实存在的公众人物、演员、明星相似，
普通路人长相，无明星特征

② 路人化特征（强烈建议）

给角色加具体的、不完美的细节，脸就"定"住了，不会往明星脸上飘：

• 不对称特征：一边眉尾有断痕、左脸颊一颗痣
• 年龄痕迹：明确的老人斑、深深的法令纹、眼袋
• 非标准长相：塌鼻梁、方下颌、大小眼（轻微）

> 诀窍：越具体，越不像明星。明星脸之所以被认出，恰恰是因为它"标准漂亮"。

③ 不露脸构图（最稳，建议关键镜头用）

养生、生活类内容其实非常适合不露脸，而且更有意境：

• 手部特写（翻书、倒水、掐指）
• 背影 / 侧影 / 剪影
• 局部（老花镜后的眼睛、握杯的手）
• 空镜（茶具、书页、座钟、砂锅）

建议：定妆图必须露脸（要锁脸），但正片里至少三成镜头用不露脸构图——既降风险，又提升质感。

4.3 发布前自查

• [ ] 每张生成的人脸，换个人看一眼，能认出是谁吗？
• [ ] 提示词里有没有出现任何真实人名 / 明星名？（出现过就全部重画）
• [ ] 有没有一张图明显像某个演员？有就重画那张
• [ ] 片尾/简介有没有声明"人物为 AI 生成，不对应任何真实人物"？

五、工作流

1. 先判断缺哪层：声音 / 文本 / 画面 / 合规，别一股脑全做
2. 声音层优先：分角色配音是性价比最高的一招，一步拉开差距
3. 文本层同步改：台词不改，配得再好也还是念稿
4. 画面层在生图阶段做：图已经出了就只能后处理，效果打折
5. 合规层最后过：发之前挨张看一遍脸

六、注意事项

• edge-tts 需要联网。断网时先试本机 pyttsx3（只有一个中文女声，多角色会全变成同一个嗓子，只能应急）；装了 pyttsx3 也失败就转 C 档出台本
• 不承诺"听起来完全像真人"——神经网络语音已经很接近，但长句仍会露馅，所以断句规则必须守。凡是把效果说成"以假乱真"的，都是吹牛
• 分角色配音会让时长变长（角色交替要留白），做 90 秒短剧时台词量要预留 15% 余量
• 涉及医疗健康内容时，声音再真也不能说疗效承诺类的话，红线优先级高于真人味
• 本技能只保证"更像人做的"，不保证涨粉、不保证播放量——那是选题和内容的事，配音救不了烂本子

七、常见故障对照