AI绘画和AI语音怎么配合？先定音频再画画面的一条流水线
我的判断是：AI绘画和AI语音配合，顺序比工具重要——先把语音做完，让音频当骨架，画面按句子往骨架上挂。反过来先画图后配音，八成要在切点对不上的时候全部重排。
很多人把AI绘画和AI语音当两件不相干的事，其实它们凑一起就是解说类视频的整条产线。
上个月我做了条三分四十秒的科普短片，讲本地的老桥。语音用的某家TTS，稿子九百三十字，生成出来两分半就搞定。画面全是AI绘画，二十三张。成品发出去，有人问我是不是请了配音。没有。全程我一个人，一台电脑，从晚上八点干到十一点。
这篇就把这套流程拆开讲。不炫技，都是笨办法。
为什么语音必须先做
先做语音，是因为音频定死了时长和节奏，画面可以迁就它；画面先做，时长会随着配音改动不断漂移，每改一版全片切点跟着重排。骨架定了，皮肉才好长。
我第一版吃过亏。当时兴致上来先画了十几张图，画得挺美。配音一出来，解说比画面长出四十多秒，硬塞进去要么加快语速（像倒带），要么补图。补的图和前面的风格对不上，一眼就能看出断层。那十几张图最后用上的只有五张。
语速这件事有个粗略参考：中文TTS默认语速大约每分钟两百六十到三百字。你写稿的时候心里数一数字数，乘一下，片长八九不离十。稿子九百三十字，配上片头片尾留白，正好三分四十。
把音频切成画面脚本，三步就够
三步：给音频导出字幕文件拿到逐句时间戳，把稿子按句切成画面单元，每句配一条画面描述。二十三张图就是二十三个时间点，排队生成即可。
- TTS平台基本都能导出SRT字幕，里面每句话有起止时间。没有的话，用剪辑软件自动识别字幕也能拿到同样数据。
- 按标点切句，一句一行。太长的复句拆成两句，让每个画面单元控制在八到十二秒，超过这个数观众会腻。
- 每行后面补画面描述。描述别贪多，一个主体一个动作一个场景，就够生成用了。
举个我脚本里的真实例子：音频到一分十一秒那句「桥墩是光绪年间砌的」，对应描述就写「青灰色石砌桥墩，水面倒影，清晨薄雾」，九个字都不用。画面描述写长了反而乱。
对了，生成的时候把宽高比直接定成成片比例。我那次踩的坑是图默认出了横版，剪辑时全靠裁切，两张图的主体被切掉半边，只能回头重新生成。
每张图之间我还加了一点小动作：剪辑里给静图加个两三百毫秒的缓推，就是慢慢放大的效果。二十三张图每张推一点点，看的人不会觉得在看PPT。这个功能免费剪辑软件就有，叫法不一，认准「关键帧缩放」几个字就行。成本为零，质感上升一大截。
翻车实录：一个多音字毁掉一整段
TTS读错字比画面崩图更致命，崩图重抽一张就行，读音错了整段音频都要重来，切点全部后移。写稿阶段就得把多音字和生僻字提前处理掉。
那部片子里有座「洧川桥」。生成第一遍，TTS把洧读成了「wěi」——好吧这个字它居然读对了。真正翻车的是后面一句「栖架在河面上」，栖被读成了「xī」，听着像「西架」。我重生成三遍都一样，最后把「栖架」改成「横架」，一次过。
从那以后我写完稿会多一步：把拿不准读音的词全挑出来，换成最平实的说法。稿子不是文学作品，观众听懂比文气重要。TTS不会跟你商量，它只会一本正经地错。
还有一个连带的坑：改词会改变时长。那句改完短了一秒半，后面所有切点得跟着挪。所以我的习惯是音频定稿之前不画一张图，听起来慢，其实总耗时最短。
挑音色也有讲究。我试了六个音色才定下来，标准是：念「石墩、檩条、青苔」这类词不别扭。有的音色文艺句子念得很好，一碰具体物件名词就发飘。别信试听里的抒情段落，拿你稿子里最「硬」的那句去试音，那才是日常。
那条老桥的短片最后数据一般，播放量不高，但底下有条评论让我挺高兴：有人留言说他是听完全程的，说画面没抢戏。这就对了。语音是叙事的线，画面是垫在下面的绒布，绒布太花，线就看不清了。下次做第二集，我打算把单图停留时间从十秒压到八秒，试试节奏紧一点是什么效果。
常见问题
画面张数和音频时长怎么配比？
按每张图停留八到十二秒算，三分半的片子二十到二十五张。少于这个密度会显得拖，多到三十张以上剪辑工作量会陡增，性价比往下掉。
免费TTS和付费的差在哪？
最大的差别是断句和情绪。免费的像念课文，付费的会换气、会带轻重音。解说类短片建议至少在关键段落用付费音色，观众对语音的容忍度比对画面低得多。
画面风格中途换了怎么办？
别硬接，在两段风格之间插一张过渡图，比如空镜或者黑场加一个词。我那条片子里从白天切夜景，用了一张水面反光的过渡图，观众没觉得突兀。
需要会剪辑软件吗？
需要一点，但只要最基础的三样：按字幕时间轴切块、拖图片对齐、加转场。我用的还是免费剪辑软件，没碰任何高级功能。