这条视频最后是竖屏、口播、一个人出镜的音轨配一整屏的动效字。做之前我以为最难的是配音，做完发现最难的是让画面跟着说话的节奏走。下面按我实际操作的顺序写一遍。
一、先把口播当成唯一的时间轴
很多人剪口播的顺序是：先拍下画面，再把声音塞进去。这样一定会错位，因为画面的长度是你定的，声音的长度不是你定的。
正确的顺序反过来：声音是尺子，画面去量它。一条口播进来，第一件事不是听内容，是把它按句子切开，量出每一句的真实时长。后面所有东西——分镜、字幕、动效——都挂在这条时间轴上。
做完这一步，你会发现「对不上」这个问题基本消失了。剩下的只是「好不好看」。
二、稿子：让 AI 做「按句切」，不是「帮我润色」
把稿子丢给 AI 说「帮我改得口语一点」，出来的东西你一定不敢直接用。但你说「保持原句一个字不改，只按语义切成一行一句，标出每句大概几秒」，它就非常好用。
关键是给它一个不能越界的约束。我的约束是三条：
- 一个字不许删，也不许加
- 只在标点处断句，不许改词序
- 每句控制在 12 到 20 个字，太长的拆成两句
这三条下去，AI 干的活就变成了机械劳动，而机械劳动恰好是它最不容易出错的活。
三、分镜：一句一张卡，别按感觉剪
口播视频最容易犯的错是「凭感觉找画面」。感觉是不可复现的，今天剪得好看，明天重做一版就废了。
我的做法是：每句话对应一张卡，卡里只有三样东西——一个关键词、一个数字或一个对比、一层背景。关键词从这句话里直接摘，不自己编。这样任何一个画面都能倒推回它是为哪句话服务的。
四、配音：断句比音色重要得多
AI 配音听着假，九成不是音色的问题，是呼吸的位置不对。人说话会在语义结束的地方换气，机器只认标点。
所以标点不是给眼睛看的，是给气口看的。一句话里该停的地方，哪怕语法上不该有逗号，也要补一个。这个改动比换十个音色都管用。
五、字幕对齐：不要靠眼睛对
手动拖字幕条是我做过最蠢的事。正确做法是让每句的起止时间来自切好的音频，字幕只是把这段时间贴上去。
如果声音和字幕用的是同一份时间表，它们永远不可能错位。凡是需要「肉眼校准」的环节，本质都是流程设计有问题。
六、合轨与响度
最后一步是把配音、配乐、音效合在一起。这里有个容易被忽略的点：音量不是调到「听着差不多」，是要有一个统一的目标值。
不同片子的音量如果不一样，观众在同一个平台连看两条就会觉得一条吵一条闷。我现在的做法是每次输出前统一归一一次，让所有片子的响度站在同一条线上。
七、哪一步 AI 替不了你
写到这里可以回答标题了。整条链路里，AI 能替你做的是：切句、生成配音、生成字幕、按模板排版。它替不了你的是：
- 决定这条片子要说什么
- 判断哪句话是重点，值得占三秒
- 判断一个画面是不是在重复上一句话
说白了，它省的是手，不是判断。所以真正要练的还是判断——这也是我为什么一直在做这件事，而不是只调参数。