Hello小伙伴们好啊！过去两个多月我一【原创内容，转载请注明出处】原创内容，盗版必究。直投入在AI视频创作产品Videa原创内容，盗版必究。上。用AI来完成创作，也就是AIGC，是著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】过去两年的一个重大课题。随着模型能力的越【转载请注明来源】著作权归作者所有，禁止商业用途转载。来越强，我们现在已经比较容易的制作出基于【原创内容，转载请注明出处】【原创内容，转载请注明出处】AI的视频。但是，即使在今天，我们想要用【未经授权禁止转载】【版权所有】唐霜 www.tangshuang.netAI来生成类似电视剧或电影一般的视频，还【关注微信公众号：wwwtangshuangnet】【版权所有】唐霜 www.tangshuang.net是很困难的。其中一个非常特殊的点，就是A转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.netI做的视频，特别是真人视频，口型对不上。
原创内容，盗版必究。【原创内容，转载请注明出处】【作者：唐霜】转载请注明出处：www.tangshuang.net我在B站上看到了AI歌手出道的视频，效果未经授权，禁止复制转载。【版权所有，侵权必究】非常不错，基于硅基的heygem开源数字本文版权归作者所有，未经授权不得转载。【关注微信公众号：wwwtangshuangnet】人，确实可以做到口型和动作的一致，但是即【转载请注明来源】【访问 www.tangshuang.net 获取更多精彩内容】使如此，AI歌手的MV也经过后期的处理，著作权归作者所有，禁止商业用途转载。【转载请注明来源】也就是传统MV的后期处理模式，AI直出还【关注微信公众号：wwwtangshuangnet】【作者：唐霜】是比较麻烦，况且，我所指的场景，面向更常本文版权归作者所有，未经授权不得转载。转载请注明出处：www.tangshuang.net见的电视剧人物对话剧情。这也是为什么现在转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。的AI视频给人“还不够味儿”的感觉。
【作者：唐霜】本文作者：唐霜，转载请注明出处。【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。【本文受版权保护】现在我看到有很多AI视频，主要分为两种：【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。1）动画类，由于动画不需要口型一致，只要【作者：唐霜】本文作者：唐霜，转载请注明出处。嘴巴动和语音一致，就可以被接受，所以现在本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。很多人做AI动画；2）旁白类，人物、场景转载请注明出处：www.tangshuang.net原创内容，盗版必究。都是真人真景，但是不能人物说话，一说话就原创内容，盗版必究。转载请注明出处：www.tangshuang.net露馅了。
【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。转载请注明出处：www.tangshuang.net一种理想的解决方案是，生成视频的模型支持【未经授权禁止转载】【关注微信公众号：wwwtangshuangnet】在具体的时间点，人物可以根据创作者的输入【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。说对应的话，也就是说，视频模型，还要把T【关注微信公众号：wwwtangshuangnet】【版权所有，侵权必究】TS的活也干了。这其实对视频模型厂商的要著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。求非常高，因为TTS其实也是一个复杂的训未经授权，禁止复制转载。【作者：唐霜】练体系。就目前而言，即使强如google本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。的voe3，也无法直接生成创作者可控的语本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】音对白，它生成的视频中人物可以自由随机的本文作者：唐霜，转载请注明出处。【本文首发于唐霜的博客】说话，但是由创作者精确控制的，还做不到，本文版权归作者所有，未经授权不得转载。【转载请注明来源】不知道将来能否做到，还是有点期待。
【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】另一种解决方案是，通过对口型视频生成模型【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。，输入一段视频和一段语言音频，生成最终的【版权所有，侵权必究】原创内容，盗版必究。口型一致的视频。这种方案成本低，控制精确【原创内容，转载请注明出处】【未经授权禁止转载】，扩展性也很强。今天，我们就将详细的阐述【版权所有】唐霜 www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】这套解决方案。
本文作者：唐霜，转载请注明出处。著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.net 获取更多精彩内容】本文作者：唐霜，转载请注明出处。【转载请注明来源】1 生成剧情视频序列【原创内容，转载请注明出处】
未经授权，禁止复制转载。【转载请注明来源】【本文首发于唐霜的博客】【原创不易，请尊重版权】一部有故事的短片，我们会用“分镜”方法论原创内容，盗版必究。原创内容，盗版必究。来获得镜头序列，并得到分镜视频。这些视频本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net连起来，就是我们想要的剧情过程。
【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】【作者：唐霜】【原创不易，请尊重版权】
一组镜头的视频形成一个序列。按照时间顺序【关注微信公众号：wwwtangshuangnet】转载请注明出处：www.tangshuang.net串联的镜头序列，经过合成，就得到了这组镜【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。头的视频。
著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。【原创不易，请尊重版权】2 合成语音，插入字幕原创内容，盗版必究。
【本文首发于唐霜的博客】【本文受版权保护】本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】同时，我们使用TTS技术，对每一个镜头中【原创内容，转载请注明出处】未经授权，禁止复制转载。的人物赋予对话、声音。
【转载请注明来源】【原创不易，请尊重版权】【未经授权禁止转载】
以及每一段语音，如何是TTS生成的，则可【作者：唐霜】未经授权，禁止复制转载。以直接将其文本作为字幕。
转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。原创内容，盗版必究。需要注意的是，语音常常是不连续的，因为整【本文首发于唐霜的博客】【本文受版权保护】个视频并不是时时刻刻都在说话。
【原创不易，请尊重版权】未经授权，禁止复制转载。未经授权，禁止复制转载。【原创内容，转载请注明出处】未经授权，禁止复制转载。3 口型同步著作权归作者所有，禁止商业用途转载。
【原创不易，请尊重版权】【转载请注明来源】转载请注明出处：www.tangshuang.net口型同步有3种方案：1）人物图片+语音；本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】2）含有人物的视频+语音；3）数字人技术【原创内容，转载请注明出处】未经授权，禁止复制转载。。基于人物图片+语音来同步口型，好处是简【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】单方便，但是缺点很明显，大部分该类对口型本文版权归作者所有，未经授权不得转载。【本文首发于唐霜的博客】的效果都是最多人的头动，无法做到整个人全【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net身合理的动作，同时，图片内人物的背景也不著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】会动，因此，可以说是一眼假。数字人技术不未经授权，禁止复制转载。原创内容，盗版必究。仅可以做到口型一致，而且人物说话时的表情【访问 www.tangshuang.net 获取更多精彩内容】本文作者：唐霜，转载请注明出处。、手势动作都能非常自然，然而在我们生成短未经授权，禁止复制转载。【转载请注明来源】视频时存在与短视频故事背景融合的问题，目【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net前还无法在我们AI生成视频领域使用。
转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。【访问 www.tangshuang.net 获取更多精彩内容】已生成好的视频+语音来实现口型同步，在目转载请注明出处：www.tangshuang.net【关注微信公众号：wwwtangshuangnet】前来说是最稳妥的方案。
转载请注明出处：www.tangshuang.net【作者：唐霜】【未经授权禁止转载】本文版权归作者所有，未经授权不得转载。【访问 www.tangshuang.net 获取更多精彩内容】
我们只需要把上图中红框内的视频和音频整合未经授权，禁止复制转载。未经授权，禁止复制转载。在一起，利用对口型的模型进行新视频的生成原创内容，盗版必究。【转载请注明来源】，就可以做到目前来说效果最好。
本文版权归作者所有，未经授权不得转载。未经授权，禁止复制转载。【版权所有，侵权必究】4 细节问题与解决【版权所有】唐霜 www.tangshuang.net
【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】虽然我们只需要上传视频+音频，就可以让对原创内容，盗版必究。【本文受版权保护】口型的大模型生成新视频，听上去非常简单，【关注微信公众号：wwwtangshuangnet】【版权所有，侵权必究】然而在实际视频制作的场景下，还是有很多细【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。节问题需要解决。
【本文受版权保护】【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net【原创内容，转载请注明出处】a.多人物【原创不易，请尊重版权】
本文作者：唐霜，转载请注明出处。本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net本文版权归作者所有，未经授权不得转载。在同一视频中，可能存在多个人物，此时AI未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。就无法区分到底是应该让哪一个人物来同步口【作者：唐霜】【原创内容，转载请注明出处】型。目前我所知的，AI会挑选视频中出现的【版权所有】唐霜 www.tangshuang.net著作权归作者所有，禁止商业用途转载。第一个人作为口型同步的人物。如果想控制口本文作者：唐霜，转载请注明出处。【未经授权禁止转载】型同步的人物，我们可以向AI提交一张模板【关注微信公众号：wwwtangshuangnet】【本文受版权保护】人物的画像，这样，AI就会通过画像去匹配【作者：唐霜】原创内容，盗版必究。视频画面中的人物，并且让该人物开口说话，【访问 www.tangshuang.net 获取更多精彩内容】本文版权归作者所有，未经授权不得转载。而不会处理其他人物。
转载请注明出处：www.tangshuang.net【未经授权禁止转载】【本文受版权保护】本文版权归作者所有，未经授权不得转载。那么，如果我想让视频中的多个人物都开口说【版权所有，侵权必究】【原创不易，请尊重版权】话呢？
【原创内容，转载请注明出处】原创内容，盗版必究。未经授权，禁止复制转载。本文作者：唐霜，转载请注明出处。此时，我们就要巧妙的引用人物参考图的功能【版权所有，侵权必究】著作权归作者所有，禁止商业用途转载。。我们需要进行多次操作，第一次，上传原始转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】视频，人物A的画像，人物A说话的语音，然本文作者：唐霜，转载请注明出处。【本文首发于唐霜的博客】后合成，之后，我们会得到人物A口型同步的【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net视频，我们标记为视频A。接下来，我们进行本文版权归作者所有，未经授权不得转载。【转载请注明来源】第二次操作，这次，我们上车视频A，人物B本文版权归作者所有，未经授权不得转载。【作者：唐霜】的画像，人物B说话的语音，然后合成，之后【原创不易，请尊重版权】本文作者：唐霜，转载请注明出处。，我们会得到人物B口型同步的视频，标记为【本文受版权保护】【本文受版权保护】视频B。此刻，由于视频A中，人物A的口型未经授权，禁止复制转载。【未经授权禁止转载】已经同步好了，所以，视频B中，人物AB的本文作者：唐霜，转载请注明出处。【未经授权禁止转载】口型都对上了。如果还有更多人，则按此方法【原创内容，转载请注明出处】本文作者：唐霜，转载请注明出处。继续迭代。
【访问 www.tangshuang.net 获取更多精彩内容】【作者：唐霜】【关注微信公众号：wwwtangshuangnet】【版权所有，侵权必究】【关注微信公众号：wwwtangshuangnet】b.音画不同步【本文受版权保护】
【转载请注明来源】【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。当我们想让视频中的人物口型同步时，我们还著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】需要注意人物开始说话的时间点。例如有一段【本文受版权保护】【版权所有】唐霜 www.tangshuang.net视频，人物在一开始是不说话的，直到后面才未经授权，禁止复制转载。未经授权，禁止复制转载。开始说话，如下：
转载请注明出处：www.tangshuang.net【转载请注明来源】转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】【转载请注明来源】
在这个视频中，人物一开始是表情变化，然后【未经授权禁止转载】【未经授权禁止转载】才开始说话。而我们使用TTS生成的语音，著作权归作者所有，禁止商业用途转载。本文作者：唐霜，转载请注明出处。会直接上来就开始说话。此时就会音画不同步【作者：唐霜】本文版权归作者所有，未经授权不得转载。。
【版权所有，侵权必究】【未经授权禁止转载】原创内容，盗版必究。由于我们已经生成好了视频序列，我们已经在【原创内容，转载请注明出处】【本文首发于唐霜的博客】时间上，让视频获得了连续性，因此，我们最【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。好不要去改变视频的时长，否则牵一发而动全转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】身。那么，我们就需要对TTS生成的音频进【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】行剪辑，在适当的时间点才开始说话，这样才原创内容，盗版必究。【未经授权禁止转载】能达到我们视频中先做表情后说话的效果。
著作权归作者所有，禁止商业用途转载。【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。本文版权归作者所有，未经授权不得转载。而在Videa中，你完全不需要自己去做这【转载请注明来源】原创内容，盗版必究。件事，Videa会自己根据视频、音频在时【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】间轴上的时间差，自动补上空音。
原创内容，盗版必究。【本文首发于唐霜的博客】原创内容，盗版必究。【转载请注明来源】【版权所有，侵权必究】c.跨视频语音本文版权归作者所有，未经授权不得转载。
未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】有些特殊镜头，我们要使用多个视频才能把整【关注微信公众号：wwwtangshuangnet】本文版权归作者所有，未经授权不得转载。个镜头表达完整。而如果在这个镜头内有人说【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net话，且不同视频看到人物的角度不同。而由于转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】该人物说话是连续的，所以我们只会生成一段【本文受版权保护】【版权所有】唐霜 www.tangshuang.netTTS合成语音。此时，就会遇到跨视频语音未经授权，禁止复制转载。【本文首发于唐霜的博客】的情况，也就是一段音频对应多段视频。
【未经授权禁止转载】转载请注明出处：www.tangshuang.net【版权所有，侵权必究】【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。
例如上面这个镜头，就是由两段视频组成的，【原创不易，请尊重版权】【作者：唐霜】但是音频却是连通的（有两段音频是因为两个【本文受版权保护】【未经授权禁止转载】人在同时说话）。
【版权所有】唐霜 www.tangshuang.net原创内容，盗版必究。本文版权归作者所有，未经授权不得转载。【转载请注明来源】要解决这个问题有好几个方法，一种是把两段【关注微信公众号：wwwtangshuangnet】【转载请注明来源】视频合成为一段视频后再来处理，另一种是把【转载请注明来源】【本文受版权保护】语音拆分为多段后处理。两种方法都可以，没【转载请注明来源】【版权所有，侵权必究】有优劣。
【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net本文版权归作者所有，未经授权不得转载。未经授权，禁止复制转载。结语转载请注明出处：www.tangshuang.net
未经授权，禁止复制转载。【转载请注明来源】本文版权归作者所有，未经授权不得转载。本文作者：唐霜，转载请注明出处。【转载请注明来源】本文从原理层面，阐述了在AI视频制作中，【转载请注明来源】转载请注明出处：www.tangshuang.net如何实现人物口型同步的能力，以及在过程中【原创不易，请尊重版权】【版权所有】唐霜 www.tangshuang.net可能存在的细节问题。不同的AI视频制作工著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】具，它们各自在不同的功能点上各有不同，并【未经授权禁止转载】原创内容，盗版必究。没有绝对的优劣。本文的方案，不仅灵活通用【关注微信公众号：wwwtangshuangnet】【本文首发于唐霜的博客】，而且成本也比较低。如果你在实践过程中遇【访问 www.tangshuang.net 获取更多精彩内容】【原创不易，请尊重版权】到问题，可以在下方留言，一起讨论。
【版权所有，侵权必究】【本文首发于唐霜的博客】【未经授权禁止转载】【版权所有】唐霜 www.tangshuang.net2025-07-03 2456
