怎么用 AI 做数字人口播视频?
数字人口播最容易出戏的地方是「嘴在动,但不像在说话」:重音不对、停顿不对、表情永远一个样。观众三秒就划走,因为大脑对不自然的人脸极其敏感。
这件事该用哪些工具
HeyGen
数字人形象与口型同步成熟,支持自定义形象,多语言效果好
ElevenLabs
语音自然度最高,重音和停顿接近真人,适合做旁白式口播
Runway
适合做动态镜头和转场,让画面不那么「棚拍感」
具体怎么做:四步
先解决声音,再解决形象
观众能忍受一个长相普通的数字人,忍不了一句机械朗读。先把配音做到自然,形象是次要的。
写稿要按「说」的节奏写,不按「读」的节奏写
书面语里的长句、括号补充、从句,数字人念出来会很怪。每句控制在 20 字内,多用短句和停顿。
口播稿里加停顿标记
在需要停顿的地方加逗号或换行,在重音词前后加逗号。这是让数字人「像在思考」最有效的一招。
不要全程只用一张正面脸
每 10-15 秒切一次镜头:侧一点、拉近一点、切到 B-roll。视觉变化能显著提高完播率。
可以直接复制的提示词
把花括号里的内容换成你自己的情况,整段粘进对话框即可。提示词里的要求越具体,输出越能用。
帮我写一段数字人口播稿。
主题:{例:三个让手机拍照变好看的习惯}
时长:{60} 秒
平台:{视频号/抖音}
目标观众:{谁,他们在什么场景下刷到}
硬性要求:
1. 每句不超过 20 个字,全部用短句
2. 开头 3 秒必须给一个具体钩子(一个数字、一个反常识结论、或一个直接的问题),不要自我介绍
3. 在需要停顿的位置用 / 标出,重音词用 ** 包住
4. 不要用「大家好」「今天给大家分享」这类开场
5. 全文控制在 {240} 字左右(按每分钟 240 字算)
6. 每 15 秒左右要有一次「视觉变化提示」,用【】标出这里该换镜头或上画面
直接输出稿子,不要解释。下面是我写的稿子,是书面语,数字人念出来会很生硬。
请改写:
1. 长句拆成短句,每句不超过 20 字
2. 删掉从句、括号补充、以及「首先其次综上」这类连接词
3. 把抽象表述换成具体例子或动作
4. 在需要停顿处加 /,重音词用 ** 包住
5. 不要改变原意,不要新增内容
6. 改完告诉我哪些地方必须配画面(不然观众听不懂)
原文:
{粘贴}最容易踩的三个坑
用书面稿直接喂给数字人
AI 朗读的感受器对长句和从句处理很差,会在不该停的地方停。稿子必须按口语节奏重写,不是加几个逗号就行。
形象太完美
皮肤无瑕、光线完美、表情恒定,反而更像假人。选形象时优先选有轻微瑕疵、有自然表情变化的。
全程一个镜头
固定正面机位超过 15 秒,观众流失会明显加快。哪怕只是轻微推近,也比一动不动强。
常见问题
数字人视频会被平台限流吗?
平台限制的是「低质重复内容」,不是数字人本身。同一形象、同一模板批量产出几十条雷同内容,才会被判定低质。内容有差异、有信息量,就不受影响。
自己的形象怎么克隆?
多数工具支持上传 2-5 分钟正面讲话视频做形象克隆,需要光线均匀、背景干净、不要戴帽子遮挡。声音克隆通常需要 1-3 分钟干净音频。
成本大概多少?
HeyGen 约 $29/月起,按月出片量算;ElevenLabs 按字符计费,约 $5/月起。国内替代方案更便宜,但自然度普遍差一档。
其他实操教程
工具迭代很快,界面和功能可能已经变了。如果你按这个流程做下来卡在某一步,欢迎告诉我们,会核实后补充。