口播ai数字人视频做了二十多期，几个翻车教训

这阵子帮一个做跨境电商的朋友批量出产品口播片，ai数字人视频一口气做了二十多期，从第三期开始我基本摸顺了套路。今天把踩过的坑和现在稳定的流程捋出来给大家看，尤其是提示词写法和背景替换那两步，真不是随便拖进去就能出片的。

口播稿怎么拆才不会让数字人念成机器人

很多人第一次做ai数字人视频，直接把整篇文案丢进去生成，出来的东西像在念课文。我第一期就是这个毛病，一百多字一口气读完，数字人表情从头到尾一个样，观众三秒就划走了。后来我改了个习惯：每三四句话切一个镜头，中间插 0.5 秒静帧或者一个手势过渡。拆法我按下面这个来，每次开工前都过一遍：

• 先按语义断句，一个完整意思不超过 25 字就断一刀，别为了凑镜头硬切
• 每段前面标情绪词：「停顿」「微笑」「点头」「摊手」，这几个词直接写进提示词
• 产品名和关键数字标「重点强调」，生成时数字人会放慢语速、加大手势幅度

我一般一集 90 秒的口播拆成 6 到 8 个片段，每个单独生成再拼到一起。比一次性丢进去效果好太多，至少面部有变化了，不会像 PPT 自动配音那样全程一张脸，看着就舒服。

提示词里加这一句表情自然了一半

生成ai数字人视频的时候，光写「微笑讲述」出来还是太板正。我试了好几种写法，最后发现加一句「镜头感：像对着朋友聊天，偶尔看镜头偶尔看侧面」，出来的面部肌肉松弛很多，不再那么正襟危坐，观感立刻不一样。

还有一个参数我反复调过：语速。默认语速偏快，产品口播我一般把语速拉到 0.85 到 0.9 之间。太快观众跟不上信息密度，太慢又拖沓。我第一期用了默认值，播到一半自己回放都觉得赶，后来统一调了。

说个翻车案例：有次提示词写了「热情洋溢地介绍产品」，出来的数字人嘴角几乎咧到耳根，像个过度热情的电视购物主持人，完全不能看。后来我换成「自然、略带兴奋」，分寸感一下就对了。

背景换完才发现口型对不上

生成完ai数字人视频的口播段，我习惯在剪映里换背景。步骤不复杂：口播轨道和背景素材轨道叠放，选中口播视频，右侧功能区点「智能扣像」把原背景去掉，数字人就浮在素材背景上了。背景轨道的声音关掉就行，不然两段音频会打架。

但有个坑我栽过两次：如果背景素材本身有动态元素，比如水面波动、人群走动，扣像边缘会跟着抖。我第一版用的就是一条海浪视频做背景，数字人下巴那一圈像素每帧都在跳，看着特别假。后来换成纯色渐变或静态棚拍背景，问题就消了。

字幕那步倒省事，选中口播轨道右键「识别字幕/歌词」一键出来，手动改几个错别字就行。封面我一般选数字人正面、嘴微张的那一帧，跑了十期数据下来，比闭嘴帧点击率确实高一些，体感挺明显。

多语言翻译那段我返工了三次

那朋友产品要发东南亚市场，我拿同一版ai数字人视频做了泰语和印尼语版本。平台支持 175 种语言翻译加对口型，听起来省事，但第一次出的泰语版我一看——数字人嘴型跟音节差了两三帧，拖沓感很明显，直接废了。

后来我调整了方法：翻译之后先单独听音频，确认语速和断句没问题，再回去看口型对齐。泰语有升降调，我提示词里加了「语调起伏明显，注意声调变化」，第二版口型就贴合多了。印尼语反而一次过，音节比较平，对口型压力小。

说句实话，这套翻译流程对英语、印尼语这种音节结构跟中文接近的语言还行，碰到泰语、韩语这种音调语言，对口型还是差一口气。我现在泰语版单独重录一版口播音频再手动对口，比 AI 翻译完再修正反而快。

现在出片流程基本定型了

跑了二十多期下来，我现在做一集ai数字人视频从写稿到出片大概两小时：稿子 30 分钟，分镜拆分 20 分钟，生成加微调 40 分钟，剪映合成加字幕封面 30 分钟。比刚上手时五个小时一集快了不止一倍，核心就是别在单步上死磕，拆碎了跑。

工具方面我主要用 HeyGen 做数字人生成，剪映做后期合成和包装。这阵子我常泡在特种猫社区里看别人怎么调提示词，上周有帖子讲用「负面提示词」去掉数字人多余眨眼，我试了确实管用，加上「避免频繁眨眼、避免嘴角不对称」之后面部稳定性好了不少。

要说局限，目前做ai数字人视频这类工具处理单人口播、产品讲解、知识分享已经够用了，但多人同框对话、复杂肢体动作、电影级打光它还差得远。我想做两三个数字人同框聊天的形式，试过拼接，接缝处总有个微妙的不自然，还没想好怎么绕过去。最近这类问题我都在社区里发帖问，有同好在做多人对话的可以一起聊：特种猫社区