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】【未经授权禁止转载】直投入在AI视频创作产品Videa上。用AI来完成创作，也就是AIGC，是原创内容，盗版必究。著作权归作者所有，禁止商业用途转载。过去两年的一个重大课题。随着模型能力的越【作者：唐霜】【关注微信公众号：wwwtangshuangnet】来越强，我们现在已经比较容易的制作出基于【作者：唐霜】【原创不易，请尊重版权】AI的视频。但是，即使在今天，我们想要用【作者：唐霜】未经授权，禁止复制转载。AI来生成类似电视剧或电影一般的视频，还【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】是很困难的。其中一个非常特殊的点，就是A原创内容，盗版必究。转载请注明出处：www.tangshuang.netI做的视频，特别是真人视频，口型对不上。
【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】我在B站上看到了AI歌手出道的视频，效果【转载请注明来源】【转载请注明来源】非常不错，基于硅基的heygem开源数字【本文首发于唐霜的博客】【作者：唐霜】人，确实可以做到口型和动作的一致，但是即【版权所有，侵权必究】原创内容，盗版必究。使如此，AI歌手的MV也经过后期的处理，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也就是传统MV的后期处理模式，AI直出还原创内容，盗版必究。【关注微信公众号：wwwtangshuangnet】是比较麻烦，况且，我所指的场景，面向更常【作者：唐霜】【原创不易，请尊重版权】见的电视剧人物对话剧情。这也是为什么现在【版权所有，侵权必究】【原创内容，转载请注明出处】的AI视频给人“还不够味儿”的感觉。
【本文首发于唐霜的博客】【版权所有】唐霜 www.tangshuang.net现在我看到有很多AI视频，主要分为两种：本文版权归作者所有，未经授权不得转载。【未经授权禁止转载】1）动画类，由于动画不需要口型一致，只要【关注微信公众号：wwwtangshuangnet】转载请注明出处：www.tangshuang.net嘴巴动和语音一致，就可以被接受，所以现在【本文首发于唐霜的博客】本文版权归作者所有，未经授权不得转载。很多人做AI动画；2）旁白类，人物、场景【访问 www.tangshuang.net 获取更多精彩内容】【原创内容，转载请注明出处】都是真人真景，但是不能人物说话，一说话就【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】露馅了。
【版权所有，侵权必究】【作者：唐霜】【作者：唐霜】一种理想的解决方案是，生成视频的模型支持本文作者：唐霜，转载请注明出处。【原创不易，请尊重版权】在具体的时间点，人物可以根据创作者的输入原创内容，盗版必究。原创内容，盗版必究。说对应的话，也就是说，视频模型，还要把T【作者：唐霜】【本文受版权保护】TS的活也干了。这其实对视频模型厂商的要原创内容，盗版必究。原创内容，盗版必究。求非常高，因为TTS其实也是一个复杂的训【原创不易，请尊重版权】【原创不易，请尊重版权】练体系。就目前而言，即使强如google【转载请注明来源】【未经授权禁止转载】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。本文版权归作者所有，未经授权不得转载。音对白，它生成的视频中人物可以自由随机的【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。说话，但是由创作者精确控制的，还做不到，【作者：唐霜】本文作者：唐霜，转载请注明出处。不知道将来能否做到，还是有点期待。
【版权所有，侵权必究】【作者：唐霜】【作者：唐霜】另一种解决方案是，通过对口型视频生成模型原创内容，盗版必究。本文作者：唐霜，转载请注明出处。，输入一段视频和一段语言音频，生成最终的本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】口型一致的视频。这种方案成本低，控制精确【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net，扩展性也很强。今天，我们就将详细的阐述【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net这套解决方案。
【版权所有】唐霜 www.tangshuang.net【本文受版权保护】原创内容，盗版必究。1 生成剧情视频序列
一部有故事的短片，我们会用“分镜”方法论著作权归作者所有，禁止商业用途转载。未经授权，禁止复制转载。来获得镜头序列，并得到分镜视频。这些视频【未经授权禁止转载】【转载请注明来源】连起来，就是我们想要的剧情过程。
著作权归作者所有，禁止商业用途转载。【转载请注明来源】【转载请注明来源】本文作者：唐霜，转载请注明出处。
一组镜头的视频形成一个序列。按照时间顺序【作者：唐霜】未经授权，禁止复制转载。串联的镜头序列，经过合成，就得到了这组镜【原创不易，请尊重版权】本文版权归作者所有，未经授权不得转载。头的视频。
【未经授权禁止转载】【版权所有】唐霜 www.tangshuang.net【转载请注明来源】2 合成语音，插入字幕
同时，我们使用TTS技术，对每一个镜头中本文版权归作者所有，未经授权不得转载。本文版权归作者所有，未经授权不得转载。的人物赋予对话、声音。
【原创内容，转载请注明出处】【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。
以及每一段语音，如何是TTS生成的，则可【版权所有】唐霜 www.tangshuang.net【版权所有】唐霜 www.tangshuang.net以直接将其文本作为字幕。
本文版权归作者所有，未经授权不得转载。【原创内容，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【转载请注明来源】【未经授权禁止转载】个视频并不是时时刻刻都在说话。
【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。3 口型同步
口型同步有3种方案：1）人物图片+语音；【本文受版权保护】【原创不易，请尊重版权】2）含有人物的视频+语音；3）数字人技术【未经授权禁止转载】著作权归作者所有，禁止商业用途转载。。基于人物图片+语音来同步口型，好处是简【未经授权禁止转载】【访问 www.tangshuang.net 获取更多精彩内容】单方便，但是缺点很明显，大部分该类对口型【作者：唐霜】著作权归作者所有，禁止商业用途转载。的效果都是最多人的头动，无法做到整个人全【关注微信公众号：wwwtangshuangnet】【作者：唐霜】身合理的动作，同时，图片内人物的背景也不本文作者：唐霜，转载请注明出处。【未经授权禁止转载】会动，因此，可以说是一眼假。数字人技术不【原创不易，请尊重版权】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【原创内容，转载请注明出处】【关注微信公众号：wwwtangshuangnet】、手势动作都能非常自然，然而在我们生成短【原创不易，请尊重版权】著作权归作者所有，禁止商业用途转载。视频时存在与短视频故事背景融合的问题，目【本文首发于唐霜的博客】【原创不易，请尊重版权】前还无法在我们AI生成视频领域使用。
原创内容，盗版必究。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。已生成好的视频+语音来实现口型同步，在目【访问 www.tangshuang.net 获取更多精彩内容】【版权所有】唐霜 www.tangshuang.net前来说是最稳妥的方案。
未经授权，禁止复制转载。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。
我们只需要把上图中红框内的视频和音频整合著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。在一起，利用对口型的模型进行新视频的生成【本文受版权保护】原创内容，盗版必究。，就可以做到目前来说效果最好。
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】未经授权，禁止复制转载。【版权所有】唐霜 www.tangshuang.net4 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【版权所有】唐霜 www.tangshuang.net【原创不易，请尊重版权】口型的大模型生成新视频，听上去非常简单，【访问 www.tangshuang.net 获取更多精彩内容】转载请注明出处：www.tangshuang.net然而在实际视频制作的场景下，还是有很多细转载请注明出处：www.tangshuang.net【原创不易，请尊重版权】节问题需要解决。
【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.neta.多人物
本文版权归作者所有，未经授权不得转载。原创内容，盗版必究。【本文首发于唐霜的博客】【作者：唐霜】在同一视频中，可能存在多个人物，此时AI【访问 www.tangshuang.net 获取更多精彩内容】【未经授权禁止转载】就无法区分到底是应该让哪一个人物来同步口【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。型。目前我所知的，AI会挑选视频中出现的原创内容，盗版必究。原创内容，盗版必究。第一个人作为口型同步的人物。如果想控制口【版权所有，侵权必究】【访问 www.tangshuang.net 获取更多精彩内容】型同步的人物，我们可以向AI提交一张模板本文版权归作者所有，未经授权不得转载。著作权归作者所有，禁止商业用途转载。人物的画像，这样，AI就会通过画像去匹配转载请注明出处：www.tangshuang.net【作者：唐霜】视频画面中的人物，并且让该人物开口说话，著作权归作者所有，禁止商业用途转载。【版权所有】唐霜 www.tangshuang.net而不会处理其他人物。
【本文受版权保护】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。那么，如果我想让视频中的多个人物都开口说【未经授权禁止转载】【版权所有，侵权必究】话呢？
【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net此时，我们就要巧妙的引用人物参考图的功能未经授权，禁止复制转载。原创内容，盗版必究。。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转载请注明出处：www.tangshuang.net视频，人物A的画像，人物A说话的语音，然【关注微信公众号：wwwtangshuangnet】【未经授权禁止转载】后合成，之后，我们会得到人物A口型同步的【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。视频，我们标记为视频A。接下来，我们进行【原创不易，请尊重版权】【版权所有，侵权必究】第二次操作，这次，我们上车视频A，人物B【转载请注明来源】未经授权，禁止复制转载。的画像，人物B说话的语音，然后合成，之后【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。，我们会得到人物B口型同步的视频，标记为【版权所有，侵权必究】【转载请注明来源】视频B。此刻，由于视频A中，人物A的口型【未经授权禁止转载】【转载请注明来源】已经同步好了，所以，视频B中，人物AB的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】口型都对上了。如果还有更多人，则按此方法【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。继续迭代。
【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。【原创不易，请尊重版权】b.音画不同步
【本文受版权保护】【转载请注明来源】【本文首发于唐霜的博客】【未经授权禁止转载】当我们想让视频中的人物口型同步时，我们还【本文首发于唐霜的博客】【本文受版权保护】需要注意人物开始说话的时间点。例如有一段未经授权，禁止复制转载。本文作者：唐霜，转载请注明出处。视频，人物在一开始是不说话的，直到后面才【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。开始说话，如下：
【未经授权禁止转载】【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。
在这个视频中，人物一开始是表情变化，然后【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。才开始说话。而我们使用TTS生成的语音，【本文受版权保护】【本文受版权保护】会直接上来就开始说话。此时就会音画不同步本文作者：唐霜，转载请注明出处。【访问 www.tangshuang.net 获取更多精彩内容】。
【访问 www.tangshuang.net 获取更多精彩内容】【原创不易，请尊重版权】【版权所有，侵权必究】【转载请注明来源】由于我们已经生成好了视频序列，我们已经在【版权所有】唐霜 www.tangshuang.net未经授权，禁止复制转载。时间上，让视频获得了连续性，因此，我们最【转载请注明来源】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【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。身。那么，我们就需要对TTS生成的音频进【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。行剪辑，在适当的时间点才开始说话，这样才未经授权，禁止复制转载。本文版权归作者所有，未经授权不得转载。能达到我们视频中先做表情后说话的效果。
【原创内容，转载请注明出处】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。未经授权，禁止复制转载。而在Videa中，你完全不需要自己去做这原创内容，盗版必究。【作者：唐霜】件事，Videa会自己根据视频、音频在时【原创内容，转载请注明出处】原创内容，盗版必究。间轴上的时间差，自动补上空音。
本文版权归作者所有，未经授权不得转载。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。原创内容，盗版必究。c.跨视频语音
【未经授权禁止转载】【原创内容，转载请注明出处】未经授权，禁止复制转载。有些特殊镜头，我们要使用多个视频才能把整本文版权归作者所有，未经授权不得转载。【作者：唐霜】个镜头表达完整。而如果在这个镜头内有人说本文作者：唐霜，转载请注明出处。原创内容，盗版必究。话，且不同视频看到人物的角度不同。而由于【关注微信公众号：wwwtangshuangnet】【版权所有，侵权必究】该人物说话是连续的，所以我们只会生成一段本文作者：唐霜，转载请注明出处。原创内容，盗版必究。TTS合成语音。此时，就会遇到跨视频语音转载请注明出处：www.tangshuang.net【未经授权禁止转载】的情况，也就是一段音频对应多段视频。
【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。本文版权归作者所有，未经授权不得转载。
例如上面这个镜头，就是由两段视频组成的，【作者：唐霜】【本文受版权保护】但是音频却是连通的（有两段音频是因为两个转载请注明出处：www.tangshuang.net转载请注明出处：www.tangshuang.net人在同时说话）。
未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net【版权所有】唐霜 www.tangshuang.net转载请注明出处：www.tangshuang.net要解决这个问题有好几个方法，一种是把两段【本文受版权保护】【版权所有，侵权必究】视频合成为一段视频后再来处理，另一种是把本文版权归作者所有，未经授权不得转载。【未经授权禁止转载】语音拆分为多段后处理。两种方法都可以，没【原创内容，转载请注明出处】著作权归作者所有，禁止商业用途转载。有优劣。
【转载请注明来源】本文作者：唐霜，转载请注明出处。【版权所有】唐霜 www.tangshuang.net结语
本文从原理层面，阐述了在AI视频制作中，【访问 www.tangshuang.net 获取更多精彩内容】【版权所有，侵权必究】如何实现人物口型同步的能力，以及在过程中著作权归作者所有，禁止商业用途转载。【本文受版权保护】可能存在的细节问题。不同的AI视频制作工本文作者：唐霜，转载请注明出处。【转载请注明来源】具，它们各自在不同的功能点上各有不同，并著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】没有绝对的优劣。本文的方案，不仅灵活通用【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net，而且成本也比较低。如果你在实践过程中遇本文作者：唐霜，转载请注明出处。【本文受版权保护】到问题，可以在下方留言，一起讨论。
【版权所有，侵权必究】【版权所有，侵权必究】【关注微信公众号：wwwtangshuangnet】【转载请注明来源】2025-07-03 3020
