第 16 章 · AI 学习
用AI辅助制作音频和视频
你要把一份300字的产品说明做成一分钟视频。AI写了口播、生成了配音和画面，剪辑工具也自动加好字幕。成片却出现三个问题：口播超过两分钟，画面与句子没有对应，字幕把产品名识别错了。
音视频制作是多环节交付。AI能分别协助文案、配音、画面、字幕和剪辑，人要保证这些环节围绕同一个目的，并在时间线上准确配合。
一、本章学完，你能做到什么
你将能够：
- 根据用途和渠道定义音视频任务；
- 把说明文字改写成可朗读口播；
- 将口播拆成分镜与素材清单；
- 选择真人、合成配音或纯字幕形式；
- 生成并校对字幕；
- 检查音画一致、版权、人物和发布风险。
最终成果是一条短音频、短视频，或一套可交给制作人员的生产材料。
二、先写生产任务单
用途：培训／产品介绍／活动通知／知识分享
受众：
渠道与画幅：
目标时长：
核心信息：
希望观众采取的行动：
人物与声音：真人／授权音色／纯字幕
必须使用的素材：
不能出现的内容：
一分钟视频承载的信息有限。先决定观众只需要记住的一句话，再选择材料。
三、把生产拆成七个环节
- 明确目的与受众；
- 核对事实与素材；
- 写口播；
- 拆分镜；
- 准备画面、配音和音乐；
- 合成并校对字幕；
- 发布前检查。
图：原文在“一图看懂一条流水线怎么跑”之后使用的配图，文字语境包含采集、提炼、配音、字幕、生图和成片。这里用于建立音视频生产全流程；画面内容与授权待人工确认。
四、口播稿要为耳朵写
适合阅读的句子，未必适合听。口播稿需要：
- 一句话只表达一个主要意思；
- 专有名词首次出现时解释；
- 数字控制在听众能记住的范围；
- 删除括号、长并列和复杂引用；
- 重要信息在前后适当重复；
- 按真实语速试读。
AI生成以后，必须完整读一遍。读不顺、容易断气或听一遍不懂的句子要重写。
五、分镜是音画合同
把口播按语义拆成Scene，每段记录：
| Scene | 口播 | 画面 | 屏幕文字 | 素材来源 | 时长 |
|---|---|---|---|---|---|
| 01 | 提出问题 | 员工翻找文件 | 文件越多，查找越慢 | 自有素材 | 4秒 |
| 02 | 给出方法 | 三步流程图 | 统一入口／自动分类／快速检索 | 生成图 | 8秒 |
画面要证明或解释当前句子。只放“看起来很科技”的素材，会让观众同时处理两套无关信息。
六、完整案例：把300字说明做成60秒培训视频
1. 原始任务
将公司新的访客登记要求做成一条内部培训视频，员工看完能说出预约、到场和离场三个动作。
2. 核对材料
使用现行制度、登记页面截图、办公区示意和安全要求。访客个人信息做脱敏处理。
3. 写口播
结构：为什么调整 → 预约前做什么 → 到场做什么 → 离场做什么 → 遇到问题找谁。控制在目标时长内。
4. 拆分镜
每个动作对应一个画面。系统操作使用经批准的界面示意；原则说明使用简单图解；关键时间和入口使用人工校对的屏幕文字。
5. 配音与字幕
选择已获授权的音色，先生成配音，再根据真实音频切分字幕。产品名、人名、地点和数字逐项校对。
图：原文在“AI配音＋字幕”环节之后使用的配图。这里对应先生成声音、再完成字幕对齐的生产步骤；具体实现方式与授权待人工确认。
6. 验收
请三名员工观看一次，分别复述三个动作。任何关键动作被多数人遗漏，就回到口播、画面或字幕定位问题。
七、音频任务怎样做
纯音频同样需要用途、对象、时长和行动。重点检查：
- 音量是否稳定；
- 语速和停顿是否自然；
- 专有名词是否正确；
- 是否有背景噪声；
- 音色、克隆声音和音乐是否获得授权；
- 是否需要提供文字稿和无障碍版本。
八、在豆包语音、剪映、可灵、Runway等产品中怎样做
这些产品分别覆盖文案、语音、图片、视频生成和剪辑。普通员工可以从最短链路开始：
- 用通用AI整理口播与分镜；
- 用授权方式录音或合成语音；
- 使用自有、授权或合规生成的画面；
- 在剪辑工具中完成时间线和字幕；
- 人工检查后导出。
先做一条完整短片，确认效果与流程，再考虑批量化。复杂生产可以把模块替换，但每个模块的输入输出必须明确。
图：原文在将生图、配音、模型等环节解释为可替换模块时使用的配图。这里用于说明不同工具可以替换，生产接口与验收标准应保持稳定；画面内容与授权待人工确认。
九、可复制的音视频生产卡
请把以下文字编译成短视频生产材料。
用途：
受众：
渠道／画幅：
目标时长：
核心行动：
原始材料：
输出：
1. 可朗读口播稿；
2. 按语义划分的Scene；
3. 每个Scene的画面说明、屏幕文字和预计时长；
4. 素材清单；
5. 配音与字幕注意项；
6. 事实、版权、隐私和发布检查项。
不得新增原材料没有的产品能力、数字和承诺。
十、发布前检查
检查事实、口播、画面、字幕、专有名词、音量、音乐、肖像、音色授权、素材版权、隐私、平台规格、封面、标题和行动入口。
任何自动生成的人物、事件或产品演示，都不能让观众误以为是真实记录。必要时明确标注生成内容。
十一、练习：300字说明变成生产材料
- 选择一段真实说明；
- 写生产任务单；
- 改写口播并试读计时；
- 拆成5—8个Scene；
- 完成配音、字幕和素材清单；
- 制作成片或交给另一名同事制作；
- 让三名目标用户观看并复述。
十二、完成标准
- 时长符合渠道要求；
- 口播自然可听；
- 每个画面对应当前信息；
- 字幕与声音同步且专有名词正确；
- 素材、声音和人物授权清楚；
- 目标用户看一次能复述关键行动。
本章小结
音视频生产的主线是：
明确用途 → 核对材料 → 写口播 → 拆分镜 → 准备声音与画面 → 合成校对 → 发布验收
下一章，我们学习怎样用AI完成翻译，并把它变成理解陌生知识和训练真实能力的学习伙伴。