Hello小伙伴们好啊！过去两个多月我一直投入在AI视频创作产品Videa上。用AI来完成创作，也就是AIGC，是过去两年的一个重大课题。随着模型能力的越来越强，我们现在已经比较容易的制作出基于AI的视频。但是，即使在今天，我们想要用AI来生成类似电视剧或电影一般的视频，还是很困难的。其中一个非常特殊的点，就是AI做的视频，特别是真人视频，口型对不上。

我在B站上看到了AI歌手出道的视频，效果非常不错，基于硅基的heygem开源数字人，确实可以做到口型和动作的一致，但是即使如此，AI歌手的MV也经过后期的处理，也就是传统MV的后期处理模式，AI直出还是比较麻烦，况且，我所指的场景，面向更常见的电视剧人物对话剧情。这也是为什么现在的AI视频给人“还不够味儿”的感觉。

现在我看到有很多AI视频，主要分为两种：1）动画类，由于动画不需要口型一致，只要嘴巴动和语音一致，就可以被接受，所以现在很多人做AI动画；2）旁白类，人物、场景都是真人真景，但是不能人物说话，一说话就露馅了。

一种理想的解决方案是，生成视频的模型支持在具体的时间点，人物可以根据创作者的输入说对应的话，也就是说，视频模型，还要把TTS的活也干了。这其实对视频模型厂商的要求非常高，因为TTS其实也是一个复杂的训练体系。就目前而言，即使强如google的voe3，也无法直接生成创作者可控的语音对白，它生成的视频中人物可以自由随机的说话，但是由创作者精确控制的，还做不到，不知道将来能否做到，还是有点期待。

另一种解决方案是，通过对口型视频生成模型，输入一段视频和一段语言音频，生成最终的口型一致的视频。这种方案成本低，控制精确，扩展性也很强。今天，我们就将详细的阐述这套解决方案。

1 生成剧情视频序列

一部有故事的短片，我们会用“分镜”方法论来获得镜头序列，并得到分镜视频。这些视频连起来，就是我们想要的剧情过程。

一组镜头的视频形成一个序列。按照时间顺序串联的镜头序列，经过合成，就得到了这组镜头的视频。

2 合成语音，插入字幕

同时，我们使用TTS技术，对每一个镜头中的人物赋予对话、声音。

以及每一段语音，如何是TTS生成的，则可以直接将其文本作为字幕。

需要注意的是，语音常常是不连续的，因为整个视频并不是时时刻刻都在说话。

3 口型同步

口型同步有3种方案：1）人物图片+语音；2）含有人物的视频+语音；3）数字人技术。基于人物图片+语音来同步口型，好处是简单方便，但是缺点很明显，大部分该类对口型的效果都是最多人的头动，无法做到整个人全身合理的动作，同时，图片内人物的背景也不会动，因此，可以说是一眼假。数字人技术不仅可以做到口型一致，而且人物说话时的表情、手势动作都能非常自然，然而在我们生成短视频时存在与短视频故事背景融合的问题，目前还无法在我们AI生成视频领域使用。

已生成好的视频+语音来实现口型同步，在目前来说是最稳妥的方案。

我们只需要把上图中红框内的视频和音频整合在一起，利用对口型的模型进行新视频的生成，就可以做到目前来说效果最好。

4 细节问题与解决

虽然我们只需要上传视频+音频，就可以让对口型的大模型生成新视频，听上去非常简单，然而在实际视频制作的场景下，还是有很多细节问题需要解决。

a.多人物

在同一视频中，可能存在多个人物，此时AI就无法区分到底是应该让哪一个人物来同步口型。目前我所知的，AI会挑选视频中出现的第一个人作为口型同步的人物。如果想控制口型同步的人物，我们可以向AI提交一张模板人物的画像，这样，AI就会通过画像去匹配视频画面中的人物，并且让该人物开口说话，而不会处理其他人物。

那么，如果我想让视频中的多个人物都开口说话呢？

此时，我们就要巧妙的引用人物参考图的功能。我们需要进行多次操作，第一次，上传原始视频，人物A的画像，人物A说话的语音，然后合成，之后，我们会得到人物A口型同步的视频，我们标记为视频A。接下来，我们进行第二次操作，这次，我们上车视频A，人物B的画像，人物B说话的语音，然后合成，之后，我们会得到人物B口型同步的视频，标记为视频B。此刻，由于视频A中，人物A的口型已经同步好了，所以，视频B中，人物AB的口型都对上了。如果还有更多人，则按此方法继续迭代。

b.音画不同步

当我们想让视频中的人物口型同步时，我们还需要注意人物开始说话的时间点。例如有一段视频，人物在一开始是不说话的，直到后面才开始说话，如下：

在这个视频中，人物一开始是表情变化，然后才开始说话。而我们使用TTS生成的语音，会直接上来就开始说话。此时就会音画不同步。

由于我们已经生成好了视频序列，我们已经在时间上，让视频获得了连续性，因此，我们最好不要去改变视频的时长，否则牵一发而动全身。那么，我们就需要对TTS生成的音频进行剪辑，在适当的时间点才开始说话，这样才能达到我们视频中先做表情后说话的效果。

而在Videa中，你完全不需要自己去做这件事，Videa会自己根据视频、音频在时间轴上的时间差，自动补上空音。

c.跨视频语音

有些特殊镜头，我们要使用多个视频才能把整个镜头表达完整。而如果在这个镜头内有人说话，且不同视频看到人物的角度不同。而由于该人物说话是连续的，所以我们只会生成一段TTS合成语音。此时，就会遇到跨视频语音的情况，也就是一段音频对应多段视频。

例如上面这个镜头，就是由两段视频组成的，但是音频却是连通的（有两段音频是因为两个人在同时说话）。

要解决这个问题有好几个方法，一种是把两段视频合成为一段视频后再来处理，另一种是把语音拆分为多段后处理。两种方法都可以，没有优劣。

结语

本文从原理层面，阐述了在AI视频制作中，如何实现人物口型同步的能力，以及在过程中可能存在的细节问题。不同的AI视频制作工具，它们各自在不同的功能点上各有不同，并没有绝对的优劣。本文的方案，不仅灵活通用，而且成本也比较低。如果你在实践过程中遇到问题，可以在下方留言，一起讨论。

2025-07-03 134