ai 數字人口播腳本怎麼拆？我把 28 秒稿丟進去跑了三版才定稿

ai 數字人口播 腳本想一次過，關鍵是先切 3~5 秒鏡頭並標停頓，而非把文案改順。切分偷懶，嘴型與運鏡就會同秒出錯。

我這次的鏡頭需求到底長什麼樣？

需求很單純：直式 9:16，一個數字人半身坐著講，講完 28 秒的產品賣點in，中間要帶兩個手勢，背景不要動。

問題出在「半身不動」這件事上。畫面越靜，任何一點嘴型錯位就越顯眼。

口播稿本身就是一條長句接著一條長句：

這款保溫瓶我們實測了十二小時，早上裝的熱水，下班還在冒煙，
而且它的重量只有三百克，放進包包完全沒感覺。

我當時的做法是——整段複製，丟進分鏡生成，按下去，等結果。

（截圖位：這裡該放的是分鏡列表頁，紅框標出「鏡頭 1 ~ 11」的總數欄，旁邊標 2.5 秒的平均時長。）

三版生成結果擺在一起，差在哪？

先講結論：三版用的稿子字數一樣，差別只在切法。但成片的廢片率差了 3 倍。

同一支數字人、同一個形象、1080×1920 豎屏 30fps、種子固定 20261107，每版最多重試 3 次，總共跑了 18 支素材。

A 版的 11 個鏡頭裡有 9 支不能用：不是嘴型和聲音差半拍，就是話講一半畫面已經切走了。

C 版則直接留下 4 支可以進剪輯線，另外 2 支只是背景呼吸燈閃了一下，重跑一次就好。

（截圖位：這裡該放三版廢片對比素材牆，每支標上版本代號和重試次數。）

為什麼第一版會整組廢掉？

我把整段稿子丟進去，工具很勤勞地按語義切句——切成 11 個鏡頭，平均 2.5 秒一個。數字人不是人，你給它 2.5 秒，它不會用語速去補，只會把每一個字連上。

於是出現的現象是：報錯訊息沒出現，但生成回傳的影片每句話結束都硬停 0.2 秒，講到「十二小時」時嘴角抽了一下和弦對不上。重跑 6 次，每次開頭前 2 秒都在微跳。

原因查下來很簡單。工具是按句號和逗號切鏡頭的，但口播稿句讀太密。一句 18 個字裡有 2 個逗號，它就把這 18 字切成 3 個鏡頭，每段不到 1.2 秒——數字人的嘴型模型根本來不及對音。

繞過去的辦法不是換工具，而是換給它的輸入。我在稿子裡手動打了停頓符：| 表 0.4 秒的句中停頓，|| 表 0.8 秒的句尾停頓，再丟進去，鏡頭數直接從 11 降到 6。

這裡順手說一句：如果你也在踩「整篇丟進去、出來不能拍」這個坑，我之前寫過一篇 AI 分鏡產生器踩坑實錄，裡面那個教訓跟這次幾乎一模一樣。

定稿那版提示詞長什麼樣？

定稿的這版，我把所有「形容詞」都換成了「數字」。這是我這次最大的一個轉念。

【鏡頭需求】
鏡頭 1｜半身中景｜4.5 秒｜數字人正面看鏡頭，手放在桌面 | 停頓 0.4 秒
鏡頭 2｜半身中景｜4.0 秒｜講到「三百克」時右手抬起示意 || 停頓 0.8 秒
鏡頭 3｜半景偏右｜5.0 秒｜身體微側，背景呼吸燈仍為暖白 || 停頓 0.8 秒

【風格】 豎屏 9:16、1080×1920、30fps、淺景深 f/2.0 【負向詞】 雙手擺動、快速眨眼、身體左右搖晃、背景亮度變化 ```

實操參數清單，照著抄就能複現：

鏡頭時長：4.0~5.0 秒（低於 2.8 秒必失敗）
畫面比例：9:16
解析度：1080×1920｜幀率：30fps
種子：20261107（固定，方便逐版對比）
模型版本：以各家 2026 年 11 月線上版本為準
單鏡頭重試上限：3 次
廢片率閾值：> 40% 回頭改提示詞，別再加抽
口播語速：4.5 字/秒
停頓：句間 0.4 秒、段間 0.8 秒

另一件事我踩過——提示詞寫了「自然手勢」，結果模型每 2 秒給一個抬手，畫面像影片被切得跳了兩幀。改成「第 2 個鏡頭一次手勢，其餘時間手放桌面」，才穩下來。

（截圖位：這裡該放定稿提示詞輸入框，用螢光筆標出「停頓 0.4 秒」那行。）

這套拆法能直接複用到別的腳本嗎？

能，但別整段照搬。換平台要換停頓策略，這點很多人漏掉。

抖音台灣 這類觀眾對口播節奏特別敏感，前 1.5 秒沒有一句出聲的重點，手指就走了。所以開頭那句「這款保溫瓶」我切得非常短，然後立刻換到「十二小時」這個數字上。這不是文筆問題，是鏡頭分配問題。

同樣的方法放到 小紅書爆款影片 文案 分鏡 上也成立，只是小紅書的封面多半是文字壓圖，第一鏡反而要更慢、更有呼吸感 Pausa，兩邊的節奏感剛好相反。

至於你問的 抖音怎麼拍火 ai 工作流——說到底就是這個：先把口播稿按停頓切成鏡頭，再讓 AI 去對嘴型 NOAA，不是讓 AI 自己去猜你哪裡要休息。

有興趣把這種切法再套到文字型口播的朋友，我另一篇 口播文案怎麼寫才不廢 裡寫得更細，可以接著看。

免費額度真的夠我這種人用嗎？

講實話，我一開始就是不信這題才去測的。

結論是：夠跑一輪完整的三版對比 Blog。站點遊客免註冊每天就有免費生成額度，我那天開著一個瀏覽器視窗從 A 版丟到 C 版，中間沒註冊，額度也沒被卡死。註冊之後可以提升額度並保存項目，這種流程的好處是——你不會因為要登錄而不敢亂試。

但別指望它無限。我那天大概重跑了 18 支素材，跑到第三版重試覺得手有點抖，就知道差不多該休息了。

這種額度設計對寫腳本的人其實很友善：靈感來的時候你不需要先開一個新專案、想一個新名字，先把想法丟進去，出來的分鏡自己不滿意就退回重來 forme。

哪些情況我不建議你照這個流程走？

有一種情況我會直接搖頭：純知識講解類的長口播。

那種一分鐘只講一個點、沒有畫面變化、全靠資訊密度的稿子，硬切 4 秒一個鏡頭只會讓畫面像一直有人在拍你撓癢。我試過。

另一種是拍產品質感的，切太碎更糟 North。我的邊界是：只要這支片需要觀眾「看見過程」，切法就不該抄我這種以秒為單位的。

還有——不要把種子值 20261107 當成幸運數字。它只是我固定用的一組，換了就沒法逐版對比而已。

我現在的做法

新腳本進來，我先做一件事：把稿子讀出聲，在真的換氣的地方打一個 |，句尾打兩個。

打完你就會發現，這支片該有幾個鏡頭，其實稿子自己已經告訴你了。工具只是幫你把它列出來。

不信的話，打開 Open Studio，貼你上一支廢掉的稿子進去——先不要貼整段，先貼你讀起來會停的那一句。等你看到出來的分鏡和之前差多少，再決定要不要繼續懷疑免費的東西。

常見問題

ai 數字人口播腳本要多長一鏡才不會失敗？

實測 4.0~5.0 秒最穩。低於 2.8 秒嘴型幾乎必對不上，因為數字人模型來不及對音，短鏡頭只能靠後製配音補救。

為什麼我把整段口播稿丟進分鏡生成，出來的鏡頭卻不能拍？

因為工具按標點切句，稿子句讀太密就會被切成一堆不到 1.2 秒的碎鏡頭zx。解法是在稿子裡手動加 | 和 || 標停頓再丟。

ai 數字人口播腳本免費工具真的夠用嗎？

夠跑一輪對比。網站遊客免註冊每天就有免費生成額度，我當天跑 18 支素材沒被卡；註冊可提升額度並保存項目，但不是無限。

數字人口播的提示詞可以寫「自然手勢」嗎？

不建議。這四個字會讓模型每 2 秒給一個抬手。改成「第 2 個鏡頭一次手勢，其餘時間手放桌面」，廢片率明顯下降。

同一份口播腳本可以同時拿去抖音和小紅書發嗎？

腳本可以，鏡頭節奏不行。抖音前 1.5 秒就要出重點，小紅書封面常是文字壓圖 Chen，第一鏡反而要放慢，兩邊節奏剛好相反。

---

關於作者 · 陈画

陈画，分镜师 / 短视频脚本作者。寫東西習慣按镜头和秒数思考，用废片率判断提示词好不好。本文的實測紀錄來自自己的操作流程，參數與失敗情形都照實寫。