一条 58 秒的竖屏口播，真人录音录了 3 遍都有口误，每次重录 40 分钟。这次换了做法：先把稿子按 3 段结构切好，再用剪映的数字人配音。全文 320 字，钩子 44 字 8 秒、主体 3 个要点 189 字 34 秒、收尾 87 字 16 秒，录音环节从 40 分钟压到 8 分钟，字幕只改 6 处错字。
一句话结论
口误不是靠「再录一遍」解决的，是靠把稿子切成能一口气念完的段。这次全文 320 字切成 3 段，每段不超过 190 字，念的时候有明确的气口，错的位置也好定位。再加上数字人配音，改一个字就重出一版，8 分钟。真人录音适合有情绪、有表演的内容；纯信息传递的口播，把力气花在分段和语速上，比花在录第三遍上划算。
这篇解决什么问题
三个症状。一是一句太长，念到一半要换气：书面语喜欢写长句，主谓宾加两个定语，念出来中间必须停顿，一停就断句错。二是错了不知道错在哪：整条录完回放，发现第 40 秒有个字咬错了，但重录只能从整条开始。三是时长不可控：稿子 400 字，念出来 1 分 20 秒，比预期长了 20 秒，要么赶着念要么删内容。
根子是把脚本当文章写，它其实是按秒排的台词。写的时候就要知道每一段占几秒、每秒钟说几个字。这次的语速是 5.4 到 5.6 字/秒，58 秒对应 320 字——有了这个换算，时长就在写稿的时候定下来了，不会等到录完才发现。
开始前要准备什么
- 一个明确的时长目标，58 秒不是随便定的，是看过同类内容后定的中等长度。目标时长决定字数上限。
- 语速基准，先录一段 100 字的样音，数一下多少秒，算出自己（或数字人）的字/秒。这次是 5.5 左右。
- 剪映，用其中的文本朗读加数字人形象。音色先试 3 个再定，别用默认第一个。
- 一条纪律：一句不超过 15 字。超过就拆，拆完再看要不要合并。这条比任何修辞技巧都管用。
具体怎么做
第一步：先定时长和字数，再写内容
顺序不能反。先定 58 秒，按 5.5 字/秒算出上限 320 字，再往里填内容。反过来先写完 500 字再砍，砍的过程很难受，而且容易砍掉关键信息。这一步 10 分钟，但决定了后面不用返工。
分段比例也要先定：8 / 34 / 16。钩子 8 秒只干一件事——让人知道这条讲什么；主体 34 秒装 3 个要点，每个约 11 秒 63 字；收尾 16 秒给动作。收尾最长是故意的，因为要让人跟上一步做什么，说得太快等于没说。
我要做一条 58 秒的竖屏口播，主题是「每周待办用表格管，别再写在便签上」。语速按 5.5 字/秒算。
请按下面的分段和字数写脚本，总字数不超过 320：
1 钩子：44 字，8 秒。只讲这一条解决什么具体麻烦，不铺垫、不自我介绍、不说「今天给大家分享」。
2 主体：189 字，34 秒。3 个要点，每个 63 字 11 秒，一个要点一个动作，按执行顺序排。
3 收尾：87 字，16 秒。给出下一步具体做什么，一句话说清。硬约束：单句不超过 15 字；不用「首先其次最后」这类连接词；不出现「一定」「必须」「轻松」「简单」这类词；每个要点里要有 1 个具体数字（时间、数量、次数）。
输出格式：段落 | 秒数 | 字数 | 正文。写完全文字数自检一遍。
第二步：剪映文本朗读，先试 3 个音色再定
把 320 字按段粘进剪映的文本朗读，一段一条音频，不要整篇一次生成。分段生成的好处是某段要改只重出那一段，8 秒的段重出只要十几秒。音色试了 3 个：一个语速偏快、一个句尾上扬、一个偏慢且句尾平。选第三个，因为信息类内容不需要上扬的语调，上扬会显得在推销。
数字人形象选正面半身、背景纯色。这一步 8 分钟，比录 3 遍真人的 2 小时省下太多。要注意的是数字人只负责口型和声音，不改文本——如果听出来某句别扭，回去改文本，不要在配音软件里调语速硬凑，凑出来会有一句快一句慢。
这是已经定稿的 3 段文本（见下方，共 320 字，8 / 34 / 16 秒）。
请帮我做配音前的文本处理，只处理不改意思：
1 标出所有超过 15 字的句子，拆成两句，拆完告诉我拆分点在哪；
2 标出容易念错的字（多音字、生僻词、同音易混词），给出建议读法；
3 在每个要点之间标出停顿位置（用「|」表示短停、「||」表示长停），长停不超过 3 处；
4 检查有没有绕口的连续辅音或连续同韵母，有的话换个说法给我。要求：不增加、不删除任何信息点；拆句后总字数变化不超过 5 字；不要改专业词，只调整语序和断句。
第三步：字幕自动识别后，按三类扫一遍
剪映自动识别字幕，320 字里错了 6 处，全是同音词和专业词：口径识别成口经、并发识别成病发、还有两处数字被识别成中文。校对不要从头读，按三类扫更快：同音词、专业词、数字。每类扫一遍，12 分钟能过完。
扫完还要对一遍时长。数字人配音的实际秒数可能和预估差 1 到 2 秒，差得多就把最长的那个句子拆一句，别整体拉速度。这次实际 59 秒，差 1 秒，可以接受；如果差 4 秒以上，说明稿子本身超了，回去删字。
这是视频自动生成的字幕全文（见下方，共 320 字左右，可能有识别错误），以及原始脚本。
请做字幕校对：
1 按「同音词、专业词、数字」三类逐个比对字幕与原始脚本，列出所有不一致的地方（字幕原文 → 脚本原文）；
2 标出字幕里被识别成阿拉伯数字的中文数字，以及被识别成中文的阿拉伯数字；
3 检查断句：字幕的每一条是否被切在半句中间，影响阅读的指出来。要求：只列差异，不要重写整段字幕；同一条字幕有多处错误的合并成一行；输出用表格，三列分别是对应行号、字幕原文、应改为。
实测记录
素材是一条 58 秒竖屏口播。定时长与分段 10 分钟、写稿 30 分钟、数字人配音 8 分钟、字幕校对 12 分钟，合计 60 分钟。对比原来真人录音的方式：录 3 遍每遍 40 分钟，光录音就 2 小时。
结果：全文 320 字，钩子 44 字 8 秒、主体 189 字 34 秒（3 个要点各 63 字）、收尾 87 字 16 秒。三段语速分别是 5.5、5.6、5.4 字/秒，整体 5.52，波动在 0.2 以内，听起来没有一段赶一段拖的感觉。数字人配音实际成片 59 秒，比目标多 1 秒。
字幕自动识别错了 6 处：2 处同音词（口径→口经、并发→病发）、2 处专业词被拆成两个字、2 处数字被识别成中文。按三类扫一遍用了 12 分钟，比从头读一遍省一半时间。音色试了 3 个才定，前两个一个偏快、一个句尾上扬，念信息类内容像是在推销。
最容易错的 3 个地方
第一，先写稿再算时长。写完 500 字才发现要 90 秒，砍到 320 字的过程会伤筋动骨。正确顺序是定时长 → 定字数 → 定分段 → 再写。这次 58 秒 320 字是先算出来的，写的时候就有边界。
第二，整篇一次生成配音。一段有问题就要整条重出，8 秒的段和 34 秒的段代价一样。按段生成，改哪段出哪段，重出成本几乎为零。
第三，字幕不校直接发。自动识别在同音词和专业词上必错，这次 320 字错 6 处，比例接近 2%。按同音词、专业词、数字三类扫，比从头读快，也比「看着差不多就过」可靠。
可复用的东西
语速换算：先测自己的字/秒（这次 5.5），再用「时长 × 语速 = 字数上限」定稿子规模。写之前就把时长锁死。
8 / 34 / 16 分段：钩子只讲解决什么麻烦、主体 3 个要点各 11 秒、收尾给下一步动作。收尾留最长的时间。
一句不超 15 字：这条纪律能治好大部分口误，也能让数字人念得自然。
按段生成配音：文本分段 → 音频分段 → 改动局部重出。成本从「整条重录」降到「一段重出」。
字幕三类扫：同音词、专业词、数字。三类扫完，准确率比通读高。
常见问题解答
数字人配音听起来会不会很假
取决于文本。同一套音色，写成书面语的稿子念出来很生硬，写成短句加口语词的稿子差别不大。这次试了 3 个音色，选的是语速偏慢、句尾不上扬的那个；文本上一句不超过 15 字，每 3 句放一个停顿。片子发出去后有同事问是不是本人录的，说明听感过关了。
58 秒为什么按 8 / 34 / 16 切，不是平均分
三段的职责不同，时间自然不同。开头 8 秒只干一件事：让人知道这条讲什么、值不值得看下去，超过 10 秒还没进入正题就会掉人。主体 34 秒装 3 个要点，每个要点约 11 秒 63 字，讲完一个立刻下一个。收尾 16 秒最长，因为要给动作——去哪里看、下一步做什么，说太快没人跟得上。
为什么不用真人录音再后期修口误
修口误的代价比想象大。剪掉一个口误要补气口，补不好会听出拼接痕迹；重录一遍 40 分钟，录 3 遍就是 2 小时。数字人配音改文本就行，一个字错了改一个字，8 分钟重出。真人录音还是更适合有情绪、有表演的片子，纯信息传递的口播没必要。
字幕自动识别为什么还要人工过一遍
这次 320 字里自动识别错了 6 处，都是同音词和专业词：把「口径」识别成「口经」、把「并发」识别成「病发」。这些错误在快节奏画面里很容易被漏掉，但发出去就是硬伤。校对 12 分钟，按「同音词、专业词、数字」三类扫，比从头读一遍快。
本网站的部分内容可能来源于网络或用户投稿，仅供大家学习与参考，如有侵权，请联系客服： hhxmw778 进行删除处理。
本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
教程如引导您添加微信或有另外收费服务，请自行甄别！
如遇充值环节或绑定支付账户或输入支付密码之类的异常步骤，建议停止操作！本站不对操作项目的损失负责！
本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现任何资源有问题请向站长举报下架
(手机微信用户建议用默认浏览器打开，可体验完整功能)
按岗位找 AI 实操步骤 · 提示词可收藏