用 AI 做数字人口播：怎么不僵硬

用 AI 做数字人口播，返工最多的环节往往不在脸，在稿子。多数人拿一份写给自己看的文案直接丢给数字人念，出来的效果就是逐字朗读：长句不断、信息密、没有气口。形象再精细，也救不了一段不适合说的文本。把稿子改成能说的形态，僵硬感能去掉大半，而这一步不需要换任何工具。

先改稿，再调形象

书面语和口语的差别集中在三处：句子长度、信息密度、连接方式。书面语靠从句和标点组织逻辑，口语靠停顿和重复。一份给眼睛看的稿子，一句话常带两三个修饰成分；念出来时听众来不及在脑子里断句，就会觉得是机器在念。

改稿的动作很机械：长句拆短、一段只讲一件事、把书面连接词换成口语连接词。三步做完，多数稿子的听感会明显变化，甚至不用调语速。

口播稿的三条硬规矩

句子控制在一口气能说完的长度。经验值是一句十五到二十五个字，超过就拆。拆的时候在语义边界下手，别把因为和所以分到两句里。

数字和符号先做读法化。1200 要写成一千二还是一千二百，取决于语境；3.5% 读作百分之三点五更顺；Q3 这类缩写要么改成第三季度，要么确认工具能正确读出字母。这一步不做，合成语音常在数字上卡壳。

多音字单独处理。行、重、长、还、差在稿子里高频出错，遇到就换同义词，或者加注音提示（部分工具支持，以产品说明为准）。换词比标注稳。

停顿是设计出来的

真人说话的气口不随机，它跟着语义走：一个意思说完停一下，转折前停一下，列举时每项之间停一下。稿子里可以用标点粗控节奏，逗号短停，句号长停，破折号做拖音。需要更长停顿时用分段，而不是连续打标点。

连接词负责填缝。那么、其实、你可以理解成、说白了这类词没有信息量，但它们给听众留了处理时间。整篇都加会显得啰唆，一般每三四句放一个，位置放在转折和举例之前。

画面节奏跟着信息走

全程一个机位，语音再自然也会显得单调。可行的做法是按语义单元切画面：一个观点一个画面，切换点落在句号处，不要切在句子中间。经验节奏是每五到八秒给一次视觉变化，换背景、出关键词、插图表、推近景都算。

切换还要有依据。讲数据时上图表，讲步骤时上序号，讲对比时上左右分屏。纯粹为了动而动，观众会更累。

按这张表对号入座，改稿和切画面的顺序就定了：先按第二列改文本，再按第三列排镜头。反过来先做画面，稿子一改画面全废。

它做不到的部分

数字人处理不了情绪突变。同一段里从平静转到激动，合成语音的过渡通常生硬，稿子上要提前给缓冲句，或者拆成两个镜头分别生成。

它也接不住即兴。直播里的追问、打断、临场改口，现阶段的数字人口播基本做不了，能做的是一段一段生成再拼接。需要真实互动的场景，仍然要真人或者预置问答。

口型与语音的对齐在快语速和生僻词上容易失准，术语密集的稿子要放慢语速、增加停顿。方言和强口音的还原度有限，跨语种时人名地名容易读错，正式内容发布前必须整段试听，只看文字稿发现不了问题。

口播稿自检速查

• 一句不超过二十五个字，一段只讲一件事
• 数字、百分比、缩写全部写成读法
• 每三四句放一个口语连接词，位置在转折前
• 停顿用标点和分段，不靠连打逗号
• 切换点落在句号上，每五到八秒给一次变化

三个实操里才会冒出来的问题

• 稿子改完还是显得平，该动哪里？：先加信息落差，不加形容词。把一段里的结论提前，把原因放到后面，听众会重新集中注意力。语速和音色能修的是表层，起伏来自内容本身的轻重。
• 一条视频里能不能换形象？：可以，但要给切换一个理由，比如从讲解切到演示。没有过渡的换脸会打断观看，观众会重新确认这是谁在说话，注意力就断了。
• 试听时该重点听哪几处？：三处。开头前两句有没有读错字，中间的数字和专业词，结尾的收束句有没有降调。这三处出错率高，也容易在成片里被听出来。

稿子和画面之外，还有一层是选题。做带货口播时，内容和选品的咬合方式可以参考图文带货里选品与内容的结合；如果一条视频只讲一个卖点，把主图卖点压成一句话的方法可以直接搬到口播开头；标题与关键词的取舍，商品标题的关键词布局里有更细的规则。