口播词念完 227 秒，成片只有 96 秒：智能体做视频的三道坎，和一套可以直接抄的提示词

作者：林华鼎 · 华为云开发者发展与支持部 · 科技博主系列

引语：让智能体做一条讲解片，难的不是生成是拼装：分镜脚本先行、配音文案与字幕逐字一致、成片按段验响度——三道坎的解法和提示词全贴在下面，改改就能用。

1. 起点：难的不是生成，是拼装

先给结论：智能体做视频的三段能力——写脚本、画动画、配声音——单段都能打，卡住交付的从来是接缝：音画对不上、时长超槽、渲染成功但内容不对。

场景是真实的：我要一条《怎么做 Skill》讲解片，8 个分镜、96 秒、1080p，教观众从零写 SKILL.md。整条管线交给跑在本机的智能体：分镜脚本 md、HTML 分步动画、渲染工程、TTS 配音、成片。最终交付 96 秒、6.9MB、带 AAC 音轨的 MP4，中间踩了三道坎，每道坎都值一条纪律。

2. 第一道坎：配音通道，先分两类需求

TTS 通道选型，第一步不是比价格，是分清两类需求：不指定音色、指定音色。混着选必返工。

不指定音色的场景，我先用 edge-tts 试了一次，403（TrustedClientToken 风控）。纪律是失败立即降级、别反复重试——降级目标是 macOS say 的婷婷（zh_CN 神经语音），零成本、离线、稳定，say -v Tingting 一条命令出 AIFF，再交给 ffmpeg 转 MP3。指定音色才是另一档事：火山豆包声音复刻是新客能自助走通的路，复刻音色新客价 110.4 元、模型存储每月 0.8 元，克隆一个音色成本一百三上下，参考素材实测 44.9 秒即够（官方支持秒级录音复刻）。华为云 SIS 语音交互服务有多音色在线合成，自助声音复刻现在没有——它的定制合成是工单制的企业级服务，与「5 秒上传即复刻」不是一类产品，对外表述别混。

通道提示词（可以直接抄）：

[TTS 通道选型]
需求分类：不指定音色→本机 say/系统语音；指定音色→火山豆包声音复刻（自助）；
免费克隆→SoVITS 系开源本地部署（2-3GB 下载）
试通纪律：每通道只试一次，403/风控立即降级下一档，不反复重试
对外口径：华为云 SIS=在线多音色合成，不表述为「能做声音克隆」

3. 第二道坎：音画同步，把口播词砍成字幕文案

8 段口播完整词念完实测 227 秒，视频槽位只有 96 秒。第一反应是压缩口播词、或者念快一点——都不对。真正的解法是换母本：配音文案 = 字幕文案，逐字一致。每段 40-60 字，按 4-4.5 字每秒折算约 10-13 秒，正好塞进 12 秒的分镜槽；音画天然同步，省掉对轴这道工序。

完整口播词没有扔：它降级为字幕文案的母本——每镜从对应段落里抽「画面正在讲的那句话」改写，不另起炉灶，口径不会飘。改写提示词（可以直接抄）：

[配音文案改写器]
输入：分镜脚本 md（每镜「画面+口播」成对）
输出：每镜一段 40-60 字短句版，与该镜字幕条逐字一致
约束：只从本镜口播词取材，砍铺垫保结论；数字与术语原样保留
校验：段长按 4-4.5 字/秒折算，超 13 秒的段回去再砍

落盘后逐段 ffprobe 实测时长：12.12、11.03、11.00、10.71、10.96、9.68、8.45、5.72 秒——前七段都在槽位内，末段 5.7 秒是收尾停留段，配 data-hold 拉住画面。超槽的段用 say 的 -r 参数提速重生成（每分钟 192 到 205 字仍自然）。

4. 第三道坎：渲染成功不算成功

渲染器退出码 0、文件落盘，都证明不了成片可用。验收按三步走，每步对应一类静默失败：

一、ffprobe 查音轨——防「视频在、声音丢」；

二、按段 volumedetect——防「某段配音没挂上」：成片抽前段 mean -18.8dB、末段 -19.2dB，八段响度均匀落在 -18 到 -19.5dB 区间即无缺段，某段掉到 -60dB 级就是哑段；

三、抽帧目检——防「动效没触发、字幕错位」，渲染器的截图通道比肉眼盯片快。

分段探针（可以直接抄）：

# 逐段验响度：某段 mean_volume 掉到 -60dB 级即哑段
import subprocess

def probe(mp4, start, dur):
    cmd = ["ffmpeg", "-hide_banner", "-ss", str(start), "-t", str(dur),
           "-i", mp4, "-map", "a", "-af", "volumedetect", "-f", "null", "-"]
    out = subprocess.run(cmd, capture_output=True, text=True).stderr
    for line in out.splitlines():
        if "mean_volume" in line:
            print(start, dur, line.split("mean_volume:")[1].strip())

5. 一个意外的收获：分镜脚本才是第一个资产

复盘整条管线，最有复用价值的产物是那份 5.7KB 的分镜脚本 md——每镜「画面描述+口播词」成对写。动画按画面描述逐镜搭，配音按口播词抽字幕，渲染按分镜时长串轴，验收按分镜编号逐段对——四道工序读的都是同一份母本，返工为零。口播完整词反而是中间态，进了母本、没进成片。

┌ 智能体讲解片·五步管线（可以直接抄）────────────
│ 1 分镜脚本 md    每镜「画面+口播」成对，约 12 秒/镜
│ 2 HTML 动画版    交互预览稿，先浏览器实测再转工程
│ 3 渲染工程       每镜一个子合成，根时间轴串总时长
│ 4 TTS 配音       文案=字幕逐字一致，逐段 ffprobe 对槽位
│ 5 渲染+分段验收  30fps 验证版，音轨/响度/抽帧三步
└──────────────────────────────────────────────

这也解释了为什么「让 AI 直接生成一条视频」总是差口气：缺的不是生成力，是那份把画面、口播、时长钉死的母本。

6. 总结

三个判断：

一、智能体做视频，管线价值大于生成价值——五步管线每步的产物都是下一步的输入，母本唯一，返工最少。

二、音画同步靠同源，不靠对轴——配音文案与字幕逐字一致，口径不飘；提速解决的是最后几秒，同源解决的是整条片。

三、验收单位是段落不是文件——音轨、分段响度、抽帧三步，缺一段就是缺一段，退出码证明不了任何事。

金句收尾：视频是拼出来的，更是验出来的——分镜脚本钉住每一秒，验收探针盯住每一段。