第六章 让 AI 视频开口说话——配音、口播、字幕全打通

一、为什么"声音"对视频比你想象的更重要

刷抖音时做个小实验：

1. 把手机静音，刷 10 条视频。
2. 看哪些视频你没声音也能看完。

答案：几乎没有。

研究显示，70% 的短视频用户在嘈杂环境下习惯静音观看——但他们看的是字幕。配音 + 字幕 + 画面 = 完整的视频体验。

只有画面没声音的视频，刷到的人会3 秒滑走。

所以，做 AI 视频，"声音三件套"——AI 配音 + AI 数字人 + AI 字幕——必须掌握。

二、AI 配音：替你"开口"念稿

第二章 简单介绍过 AI 配音工具，这里我们详细讲怎么用。

2.1 三大工具对比

2.2 剪映智能配音完整教程（90% 人需要这个）

步骤 1：进入配音

剪映 App / 桌面版 → 新建项目 → 找「文本」→「智能配音」

或：先输入文字 → 把文字框放到时间轴 → 选「文本朗读」

步骤 2：选音色

剪映 2026 版有 80+ 个音色，分类：

新手建议：

• 知识口播 → "醇厚男声" 或 "标准女声"
• 治愈/亲子 → "温柔小姐姐"
• 搞笑/段子 → 用方言

步骤 3：输入文本

把要"念"的文字复制到文本框。

重点：文本必须是"口语化"的，不能是书面语。

❌ 不好的文本（书面化）：

"在当今社会背景下，AI 技术发展迅猛，深刻地影响着我们日常生活的方方面面，每个人都应当未雨绸缪。"

读出来超级别扭。

✅ 好的文本（口语化）：

"现在 AI 真的太火了，已经渗透到我们生活的方方面面。每个人都该早点学起来，不然真的会被时代甩开。"

读出来自然流畅。

步骤 4：调整参数

步骤 5：生成

• 点"生成"。
• 1–3 秒后配音生成完成，自动放到时间轴上。
• 试听一遍，不满意调整文本/音色重新生成。

步骤 6：音画对齐

• 把视频片段拖到时间轴。
• 把配音对齐到视频。
• 视频时长比配音短/长？调整视频时长（裁剪、变速）。

2.3 配音文案 70% 决定成败

很多人 AI 配音听起来"假假的"，不是工具不行，是文案不对。

写好配音文案的 5 个原则

原则 1：句子短

❌ "在那个春天的午后阳光温暖的时刻里我和我的妈妈一起在公园散步" ✅ "春天午后，阳光温暖。我和妈妈，一起在公园散步。"

单句不超过 20 字。AI 不会换气，长句听起来累。

原则 2：用口语词

原则 3：加语气词（适度）

适度加"嗯""呃""哎""哦""你看"这种语气词，让配音"像人"。

❌ "今天我教大家做一道菜，叫西红柿炒蛋" ✅ "嗨，今天教你做一道家常菜，叫——西红柿炒蛋"

原则 4：用标点控制节奏

例子：

"等等。你以为 AI 视频很难？其实——只要 5 分钟。"

加了破折号后，"5 分钟"前面会有一个戏剧性停顿，听感更好。

原则 5：处理多音字

中文里很多字有多个读音，AI 偶尔会读错。

常见多音字陷阱：

解决方法：

1. 改说法：把可能读错的词换成不会读错的同义词。比如"长江"读成"cháng jiāng"是对的，但如果 AI 读错了，改成"长江流域"就基本不会错。
2. 用讯飞：讯飞配音支持手动标注拼音，多音字处理国内最强。
3. 试听后改：每次生成都要试听，发现错读直接修改文本（比如把"重新"改成"重新（chóng xīn）"，或拆成"重 新"）。

三、AI 数字人口播：替你"出镜说话"

第十一章 会详细讲数字人，本章先讲基础玩法——用现成数字人念稿。

3.1 剪映免费数字人 5 步搞定

步骤 1：进入数字人

剪映 → 找"AI 数字人"或"数字分身"

步骤 2：选数字人形象

剪映免费数字人有 30+ 个：

新手建议：选一个和你账号定位匹配的。

步骤 3：输入文本

和 AI 配音一样——口语化、短句、加语气词。

步骤 4：选数字人配音

数字人会自带几个匹配的音色（也可以手动选其他音色）。

步骤 5：生成

• 点"生成"。
• 30 秒–2 分钟后，AI 数字人视频生成完成。
• 视频里这个数字人"她/他"在用 AI 配音念你写的文字，嘴型对齐、表情自然。

3.2 数字人选型对照表

3.3 数字人 vs 真人出镜：什么时候选哪个

新手建议：先用数字人跑通流程，觉得有戏再考虑真人或克隆自己的数字人。

四、AI 字幕：5 秒搞定专业字幕

字幕是短视频的"必需品"。70% 的用户在静音状态刷视频，没字幕你的内容就废了。

4.1 剪映 AI 字幕 4 步上手

步骤 1：进入字幕功能

剪映 → 「文本」→「识别字幕」

步骤 2：选识别源

新手 95% 用第一种——"识别音频中的字幕"。

步骤 3：选语言

中文/英文/日文/韩文⋯⋯支持 20+ 种语言识别。

步骤 4：等 30–60 秒，字幕自动加好

剪映 AI 字幕识别准确率：

• 标准普通话：95–98%
• 带轻微口音：85–95%
• 重口音/方言：60–80%

4.2 字幕样式选择

字幕的"样式"严重影响视频"档次"。

经典样式推荐

强烈建议

• 字幕位置在画面下方 1/4 处，不要遮挡主要画面。
• 字号适中，太大显得低端，太小看不清。
• 每行字数控制在 12–16 字，超长就换行。
• 关键字用不同颜色高亮（比如金额、人名、关键词用黄色）。

4.3 错别字怎么办

AI 字幕识别再准，也会有错。常见错误：

• 同音字（"在"→"再"，"做"→"坐"）
• 专业术语（"AI"识别成"哎"，"K8s"识别成"K 八 s"）
• 网络用语（"yyds"识别成"歪歪嘀嘀"）
• 人名地名（"乔布斯"识别成"乔布斯先生"）

解决方法：

• 剪映里点字幕 → 直接编辑修改。
• 强烈建议每次都通读一遍字幕，不要直接发出去。

五、AI 翻译：让中文视频"出海"

如果你想让自己的视频被外国观众看到（比如发 YouTube、TikTok 国际版、Instagram），需要英文版。

5.1 剪映 AI 翻译

剪映自带"AI 翻译"功能：

• 把字幕翻译成英文/日文/韩文/西班牙文等。
• 同时把配音也翻译成对应语言（用 AI 配音读英文）。

5.2 HeyGen 视频翻译（最强）

HeyGen 的"视频翻译"是 2026 年的杀手级功能：

• 把视频里的人声翻译成 30+ 种语言。
• 同时重新生成口型——画面里的人嘴型对应到目标语言。
• 效果：观众看不出是翻译的。

价格：HeyGen $24/月起。

5.3 翻译流程示例（中文 → 英文 YouTube 版）

1. 中文视频做完。
2. 用剪映 AI 翻译，把字幕翻译成英文。
3. 用 ElevenLabs 把中文配音翻译并克隆出英文配音（如果想保留自己的声线）。
4. 重新合成英文版视频。
5. 上传到 YouTube。

完整流程 30 分钟。

六、声音的"4 件套"组合实战

6.1 完整工作流：从画面到成片

1. 生成画面：即梦/可灵 → 一段视频（无声）
2. 加配音：剪映智能配音 → 念你的脚本
3. 加字幕：剪映 AI 字幕 → 自动识别配音生成
4. 加 BGM：剪映音乐库 → 选合适的背景音乐
5. 导出发布

6.2 BGM 选择指南

BGM 是"无声的氛围引导"。

按场景挑 BGM

BGM 音量黄金比例

• 配音音量：100%（保持清晰）
• BGM 音量：15–20%（衬托而不抢戏）
• 环境音/音效：30–50%

剪映里可以单独调每个轨道的音量。

6.3 完整成片样例

主题：分享一个"让 AI 帮你写朋友圈文案"的小技巧（30 秒视频）

Step 1：生成画面（即梦图生视频）

输入图：你手机的截图（朋友圈编辑界面）

提示词：

画面缓慢从朋友圈编辑界面平移到右侧的 AI 助手对话窗口，光线柔和。

Step 2：写脚本（30 秒，约 80 字）

朋友圈不会写文案？教你一招。
打开任何一个 AI App，比如豆包。
告诉它：「我今天在西湖边喝咖啡，请帮我写 3 条朋友圈文案，文艺风、不要肉麻。」
3 秒之后，3 条 文案任你挑。
连标点都不用改，直接发。

Step 3：剪映加配音

• 选音色：温柔小姐姐 / 都市女声
• 语速：1.1x
• 情绪：轻松

Step 4：剪映加字幕

• AI 自动识别配音
• 样式：小红书风（黄色背景圆体黑字）
• 关键词高亮："3 秒之后"用黄色

Step 5：剪映加 BGM

• 选一段轻快的电子轻音乐
• 音量调到 15%

Step 6：导出发布

• 1080p 竖屏
• 发到小红书、视频号、抖音

整套流程时长：

• 第一次做：约 30–40 分钟
• 熟练后：约 5–10 分钟

七、3 个进阶玩法

7.1 一稿多用：克隆自己的声音

操作步骤：

1. 在 ElevenLabs（或剪映声音克隆）注册账号。
2. 录一段 1 分钟的自己的语音（朗读一段标准的中文/英文）。
3. 上传，让 AI"学习"你的声纹。
4. 之后任何文字都能用"你的声音"念出来。

用途：

• 你不想每次都自己录音，但又想保留自己的声线。
• 一次克隆，永久使用。
• 多语言版本——克隆一次，让"你的声音"讲英文/日文。

7.2 实时配音 + 实时字幕（直播场景）

如果你要做直播：

• 剪映直播伴侣：内置 AI 实时字幕。
• 腾讯智影直播功能：数字人替你直播。
• Captions 实时模式：英文实时字幕。

7.3 配音 + 数字人 + 字幕 三件套打包

剪映里有"AI 一键成片"模式，可以一次性打包：

1. 输入文字。
2. AI 自动调用：数字人念出来 + 自动配字幕 + 自动配 BGM + 自动剪辑。
3. 30 秒生成一支完整视频。

适合：批量产出口播视频（矩阵号）。

八、本章小抄

• 视频 = 画面 + 声音 + 字幕。三件套缺一不可。
• AI 配音国民首选剪映；进阶用讯飞；英文用 ElevenLabs。
• AI 数字人新手用剪映免费款；商业级用 HeyGen。
• AI 字幕剪映自动识别 95%+ 准确率；记得通读检查错别字。
• AI 翻译剪映/HeyGen 都能做，HeyGen 能让人脸口型对齐目标语言。
• 配音文案 70% 决定成败：短句、口语化、加语气词、用标点控制节奏。
• BGM 音量黄金比例：配音 100%、BGM 15–20%。
• 进阶：克隆自己的声音 + 直播实时字幕 + 一键成片三件套。

5 分钟动手实验

任务：用本章工具做一支"完整有声有字幕"的视频。

具体步骤：

1. 写一段 30 秒的口语化脚本（约 80 字），主题任选（分享一个生活技巧、一个学习方法、一个你最近的小感想都行）。
2. 用即梦或可灵生成 1–3 段画面。
3. 在剪映里：
   • 用 AI 智能配音念你的脚本（选一个合适的音色）
   • 用 AI 字幕自动加字幕
   • 选一段 BGM，调到 15% 音量
4. 导出，发到朋友圈/微信群。

进阶任务：

• 用同一段脚本，换一个音色再做一遍，对比哪个更适合你的内容。
• 用剪映 AI 翻译把这支视频翻译成英文版。

第二部分完成！你现在已经掌握了 AI 视频的"语言"——从写提示词到加声音字幕。

下一部分进入"实战"——我们把所学的东西用到生活、学习、工作、自媒体 4 大场景里。

下一章：第七章 生活场景实战——记录与回忆