Hello小伙伴们好啊！过去两个多月我一【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。直投入在AI视频创作产品Videa未经授权，禁止复制转载。上。用AI来完成创作，也就是AIGC，是【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。过去两年的一个重大课题。随着模型能力的越【本文受版权保护】未经授权，禁止复制转载。来越强，我们现在已经比较容易的制作出基于原创内容，盗版必究。转载请注明出处：www.tangshuang.netAI的视频。但是，即使在今天，我们想要用本文作者：唐霜，转载请注明出处。【本文受版权保护】AI来生成类似电视剧或电影一般的视频，还【作者：唐霜】【版权所有，侵权必究】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。【转载请注明来源】I做的视频，特别是真人视频，口型对不上。
本文作者：唐霜，转载请注明出处。【作者：唐霜】【本文首发于唐霜的博客】我在B站上看到了AI歌手出道的视频，效果【本文受版权保护】【版权所有】唐霜 www.tangshuang.net非常不错，基于硅基的heygem开源数字原创内容，盗版必究。本文版权归作者所有，未经授权不得转载。人，确实可以做到口型和动作的一致，但是即转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。使如此，AI歌手的MV也经过后期的处理，【访问 www.tangshuang.net 获取更多精彩内容】【原创内容，转载请注明出处】也就是传统MV的后期处理模式，AI直出还【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】是比较麻烦，况且，我所指的场景，面向更常著作权归作者所有，禁止商业用途转载。原创内容，盗版必究。见的电视剧人物对话剧情。这也是为什么现在【转载请注明来源】【作者：唐霜】的AI视频给人“还不够味儿”的感觉。
【原创内容，转载请注明出处】【作者：唐霜】【访问 www.tangshuang.net 获取更多精彩内容】【本文受版权保护】现在我看到有很多AI视频，主要分为两种：【版权所有】唐霜 www.tangshuang.net【转载请注明来源】1）动画类，由于动画不需要口型一致，只要【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。嘴巴动和语音一致，就可以被接受，所以现在【关注微信公众号：wwwtangshuangnet】【原创内容，转载请注明出处】很多人做AI动画；2）旁白类，人物、场景未经授权，禁止复制转载。【访问 www.tangshuang.net 获取更多精彩内容】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。【原创内容，转载请注明出处】露馅了。
【关注微信公众号：wwwtangshuangnet】【版权所有】唐霜 www.tangshuang.net【未经授权禁止转载】一种理想的解决方案是，生成视频的模型支持【转载请注明来源】【本文受版权保护】在具体的时间点，人物可以根据创作者的输入【版权所有】唐霜 www.tangshuang.net【本文受版权保护】说对应的话，也就是说，视频模型，还要把T原创内容，盗版必究。【转载请注明来源】TS的活也干了。这其实对视频模型厂商的要转载请注明出处：www.tangshuang.net著作权归作者所有，禁止商业用途转载。求非常高，因为TTS其实也是一个复杂的训【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net练体系。就目前而言，即使强如google【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。的voe3，也无法直接生成创作者可控的语转载请注明出处：www.tangshuang.net【版权所有，侵权必究】音对白，它生成的视频中人物可以自由随机的【本文受版权保护】【作者：唐霜】说话，但是由创作者精确控制的，还做不到，【本文受版权保护】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。
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。【本文受版权保护】本文作者：唐霜，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【版权所有，侵权必究】【关注微信公众号：wwwtangshuangnet】，输入一段视频和一段语言音频，生成最终的未经授权，禁止复制转载。【本文首发于唐霜的博客】口型一致的视频。这种方案成本低，控制精确【作者：唐霜】【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本文版权归作者所有，未经授权不得转载。【原创不易，请尊重版权】这套解决方案。
【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。【转载请注明来源】【作者：唐霜】1 生成剧情视频序列著作权归作者所有，禁止商业用途转载。
【版权所有】唐霜 www.tangshuang.net【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net本文作者：唐霜，转载请注明出处。一部有故事的短片，我们会用“分镜”方法论【作者：唐霜】【版权所有】唐霜 www.tangshuang.net来获得镜头序列，并得到分镜视频。这些视频【作者：唐霜】转载请注明出处：www.tangshuang.net连起来，就是我们想要的剧情过程。
原创内容，盗版必究。【原创不易，请尊重版权】【关注微信公众号：wwwtangshuangnet】未经授权，禁止复制转载。
一组镜头的视频形成一个序列。按照时间顺序本文版权归作者所有，未经授权不得转载。【本文受版权保护】串联的镜头序列，经过合成，就得到了这组镜转载请注明出处：www.tangshuang.net【原创内容，转载请注明出处】头的视频。
转载请注明出处：www.tangshuang.net【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】【访问 www.tangshuang.net 获取更多精彩内容】2 合成语音，插入字幕本文版权归作者所有，未经授权不得转载。
【本文受版权保护】未经授权，禁止复制转载。转载请注明出处：www.tangshuang.net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】本文作者：唐霜，转载请注明出处。的人物赋予对话、声音。
转载请注明出处：www.tangshuang.net【版权所有，侵权必究】【作者：唐霜】
以及每一段语音，如何是TTS生成的，则可【原创内容，转载请注明出处】【版权所有】唐霜 www.tangshuang.net以直接将其文本作为字幕。
【未经授权禁止转载】【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。【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。需要注意的是，语音常常是不连续的，因为整转载请注明出处：www.tangshuang.net本文作者：唐霜，转载请注明出处。个视频并不是时时刻刻都在说话。
【版权所有】唐霜 www.tangshuang.net【版权所有，侵权必究】【原创内容，转载请注明出处】未经授权，禁止复制转载。3 口型同步原创内容，盗版必究。
原创内容，盗版必究。【转载请注明来源】本文版权归作者所有，未经授权不得转载。口型同步有3种方案：1）人物图片+语音；原创内容，盗版必究。转载请注明出处：www.tangshuang.net2）含有人物的视频+语音；3）数字人技术【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。。基于人物图片+语音来同步口型，好处是简【转载请注明来源】未经授权，禁止复制转载。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。本文作者：唐霜，转载请注明出处。的效果都是最多人的头动，无法做到整个人全转载请注明出处：www.tangshuang.net【转载请注明来源】身合理的动作，同时，图片内人物的背景也不【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。会动，因此，可以说是一眼假。数字人技术不本文作者：唐霜，转载请注明出处。【作者：唐霜】仅可以做到口型一致，而且人物说话时的表情【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。、手势动作都能非常自然，然而在我们生成短本文作者：唐霜，转载请注明出处。原创内容，盗版必究。视频时存在与短视频故事背景融合的问题，目【转载请注明来源】著作权归作者所有，禁止商业用途转载。前还无法在我们AI生成视频领域使用。
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】【版权所有】唐霜 www.tangshuang.net【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。已生成好的视频+语音来实现口型同步，在目本文作者：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。前来说是最稳妥的方案。
【未经授权禁止转载】著作权归作者所有，禁止商业用途转载。【未经授权禁止转载】【版权所有，侵权必究】原创内容，盗版必究。
我们只需要把上图中红框内的视频和音频整合【本文受版权保护】【关注微信公众号：wwwtangshuangnet】在一起，利用对口型的模型进行新视频的生成【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。，就可以做到目前来说效果最好。
【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。【本文首发于唐霜的博客】【关注微信公众号：wwwtangshuangnet】【本文首发于唐霜的博客】4 细节问题与解决【原创不易，请尊重版权】
原创内容，盗版必究。【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】虽然我们只需要上传视频+音频，就可以让对【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。口型的大模型生成新视频，听上去非常简单，本文作者：唐霜，转载请注明出处。未经授权，禁止复制转载。然而在实际视频制作的场景下，还是有很多细【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。节问题需要解决。
未经授权，禁止复制转载。【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。【作者：唐霜】a.多人物【原创不易，请尊重版权】
转载请注明出处：www.tangshuang.net【访问 www.tangshuang.net 获取更多精彩内容】原创内容，盗版必究。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本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】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未经授权，禁止复制转载。第一个人作为口型同步的人物。如果想控制口【关注微信公众号：wwwtangshuangnet】本文作者：唐霜，转载请注明出处。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】未经授权，禁止复制转载。人物的画像，这样，AI就会通过画像去匹配未经授权，禁止复制转载。未经授权，禁止复制转载。视频画面中的人物，并且让该人物开口说话，【本文首发于唐霜的博客】原创内容，盗版必究。而不会处理其他人物。
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】原创内容，盗版必究。那么，如果我想让视频中的多个人物都开口说本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】话呢？
【本文首发于唐霜的博客】本文作者：唐霜，转载请注明出处。【关注微信公众号：wwwtangshuangnet】此时，我们就要巧妙的引用人物参考图的功能【原创内容，转载请注明出处】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【版权所有，侵权必究】未经授权，禁止复制转载。视频，人物A的画像，人物A说话的语音，然【作者：唐霜】【作者：唐霜】后合成，之后，我们会得到人物A口型同步的【本文首发于唐霜的博客】【未经授权禁止转载】视频，我们标记为视频A。接下来，我们进行【未经授权禁止转载】本文作者：唐霜，转载请注明出处。第二次操作，这次，我们上车视频A，人物B【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。的画像，人物B说话的语音，然后合成，之后著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】，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】【版权所有，侵权必究】视频B。此刻，由于视频A中，人物A的口型【作者：唐霜】本文版权归作者所有，未经授权不得转载。已经同步好了，所以，视频B中，人物AB的未经授权，禁止复制转载。著作权归作者所有，禁止商业用途转载。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】未经授权，禁止复制转载。继续迭代。
【原创内容，转载请注明出处】未经授权，禁止复制转载。【访问 www.tangshuang.net 获取更多精彩内容】【原创内容，转载请注明出处】b.音画不同步【作者：唐霜】
未经授权，禁止复制转载。【版权所有，侵权必究】【原创内容，转载请注明出处】当我们想让视频中的人物口型同步时，我们还【本文受版权保护】【访问 www.tangshuang.net 获取更多精彩内容】需要注意人物开始说话的时间点。例如有一段【版权所有，侵权必究】【版权所有，侵权必究】视频，人物在一开始是不说话的，直到后面才【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】开始说话，如下：
本文作者：唐霜，转载请注明出处。【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。【原创内容，转载请注明出处】【作者：唐霜】
在这个视频中，人物一开始是表情变化，然后【访问 www.tangshuang.net 获取更多精彩内容】【本文首发于唐霜的博客】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。【未经授权禁止转载】会直接上来就开始说话。此时就会音画不同步【转载请注明来源】未经授权，禁止复制转载。。
【原创不易，请尊重版权】【版权所有，侵权必究】原创内容，盗版必究。【版权所有，侵权必究】由于我们已经生成好了视频序列，我们已经在【本文首发于唐霜的博客】原创内容，盗版必究。时间上，让视频获得了连续性，因此，我们最【原创不易，请尊重版权】【原创不易，请尊重版权】好不要去改变视频的时长，否则牵一发而动全【关注微信公众号：wwwtangshuangnet】原创内容，盗版必究。身。那么，我们就需要对TTS生成的音频进本文版权归作者所有，未经授权不得转载。【本文受版权保护】行剪辑，在适当的时间点才开始说话，这样才【版权所有】唐霜 www.tangshuang.net【本文受版权保护】能达到我们视频中先做表情后说话的效果。
原创内容，盗版必究。【转载请注明来源】【版权所有，侵权必究】本文作者：唐霜，转载请注明出处。而在Videa中，你完全不需要自己去做这【原创不易，请尊重版权】【原创不易，请尊重版权】件事，Videa会自己根据视频、音频在时著作权归作者所有，禁止商业用途转载。【原创内容，转载请注明出处】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。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，侵权必究】【版权所有，侵权必究】c.跨视频语音原创内容，盗版必究。
本文作者：唐霜，转载请注明出处。【版权所有，侵权必究】未经授权，禁止复制转载。【本文受版权保护】有些特殊镜头，我们要使用多个视频才能把整【作者：唐霜】原创内容，盗版必究。个镜头表达完整。而如果在这个镜头内有人说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】话，且不同视频看到人物的角度不同。而由于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。该人物说话是连续的，所以我们只会生成一段【版权所有，侵权必究】本文版权归作者所有，未经授权不得转载。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【原创不易，请尊重版权】的情况，也就是一段音频对应多段视频。
【原创内容，转载请注明出处】本文版权归作者所有，未经授权不得转载。【版权所有】唐霜 www.tangshuang.net
例如上面这个镜头，就是由两段视频组成的，【访问 www.tangshuang.net 获取更多精彩内容】【关注微信公众号：wwwtangshuangnet】但是音频却是连通的（有两段音频是因为两个【原创内容，转载请注明出处】【访问 www.tangshuang.net 获取更多精彩内容】人在同时说话）。
【版权所有，侵权必究】【本文首发于唐霜的博客】著作权归作者所有，禁止商业用途转载。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】转载请注明出处：www.tangshuang.net视频合成为一段视频后再来处理，另一种是把未经授权，禁止复制转载。【本文首发于唐霜的博客】语音拆分为多段后处理。两种方法都可以，没本文作者：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。有优劣。
【未经授权禁止转载】【版权所有，侵权必究】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结语转载请注明出处：www.tangshuang.net
【版权所有，侵权必究】【版权所有】唐霜 www.tangshuang.net【作者：唐霜】【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。本文从原理层面，阐述了在AI视频制作中，【版权所有】唐霜 www.tangshuang.net【本文首发于唐霜的博客】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。本文版权归作者所有，未经授权不得转载。可能存在的细节问题。不同的AI视频制作工未经授权，禁止复制转载。【访问 www.tangshuang.net 获取更多精彩内容】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。著作权归作者所有，禁止商业用途转载。没有绝对的优劣。本文的方案，不仅灵活通用【原创内容，转载请注明出处】【版权所有，侵权必究】，而且成本也比较低。如果你在实践过程中遇【本文受版权保护】【原创内容，转载请注明出处】到问题，可以在下方留言，一起讨论。
著作权归作者所有，禁止商业用途转载。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【未经授权禁止转载】2025-07-03 2624
