模特说话AI口播视频怎么做？30条带货成片的参数和坑

模特说话AI生成的口播视频，我上个月连跑了30条女装带货成片，能直接进投放的21条，可用率七成。结论放在最前面：15秒以内的短口播，图生视频已经能顶半个真人主播；文案拉到40秒以上，口型和小动作会肉眼可见地垮，别硬上。

做短视频投放的同行应该有体感——之前一条口播视频外包80到150块，主播档期还得排，赶上大促根本插不进去。换成AI跑，单条素材成本压到几块钱，代价是返工率高，得自己一条条盯着挑，不能全甩给系统。

从一张模特图到口播成片，四步走完

定稿模特图、贴口播稿、选音色、生成后逐帧挑片，四步走完大约10分钟，能出一条15秒的口播成片。流程本身不难，难的是第四步挑片，这一步省不掉。

我的固定流程是这样：先在修图工具里把模特图定稿，正脸、半身、光线干净，这一步偷懒后面全返工。然后把口播稿贴进去，15秒的视频对应稿子45到55个字，超了就删，别心疼。音色选年轻女声里的第三档（各家叫法不一样，挑听着最不机器的那个），语速先给0.9倍。

点生成之后就是等。一条15秒成片，我这边的耗时在90到140秒之间，高峰期偶尔要等3分钟往上。生成完别急着下载，先拖进度条看三处：开口第一帧对没对上、转场处口型有没有飘、结尾手势收没收干净。30条里我平均每条要看2.3遍才定稿，有6条直接废弃重跑。对了，队列别一次排满20条，我试过一次排满，排在后面的几条手势档会莫名乱跳，分5条一批跑反而省心。

口型、语速、手势：翻车三次换来的三个数

口型贴合度70左右、语速0.9倍、手势幅度选小档，这三项定下来，可用率能从四成出头拉到七成。都是拿废弃片换来的数，照抄就行。

第一版我全用默认参数，10条里能用4条，问题集中在口型——遇到"z""c""s"开头的字，嘴型会提前半拍，看着像配音没对上。把口型贴合度从默认的50拉到70，飘的概率降下来一大截；但拉到85以上嘴部会僵，笑肌不动，像戴着面具在说话。70到75是我现在锁死的区间。

语速也试过错。1.0倍以上，长句最后一个字会被吞，"显瘦显高"念成"显瘦显"，等于白写。0.9倍稳。0.8倍又太拖，观众划走得比视频还快。

手势是最阴的一个坑。我有一版选了大动作档，模特讲到"袖口这里"时抬手比划，结果五根手指糊成一片，放大看像一团。后来全部改小动作档，手势只到腕部，手指基本不入镜，废片率立刻掉一半。这个坑工具文档里一个字没提，是我烧了十几条素材试出来的。

成本账：真人主播、外包、AI摆在一起算

AI跑一条15秒口播的综合成本在8到20元，是外包价的一个零头，但可用率七成意味着实际成本要乘1.4再算。量大、要测品的账号最划算。

拿我上个月的实际开销算：按条计费的档位，生成一条12块（试水期买的10条装，折下来9块一条），30条素材费360，加上中途重跑的6条，实际素材成本430出头。折算到21条能用的成片，单条20块左右。

所以我的用法很明确：一个新品先让AI出5条不同卖点的口播去测点击，跑出数据的那条，再找真人精录一条做长期素材。反过来先录真人再测，钱烧得心疼，试错也慢。

回到开篇那个数：30条，可用率七成。工具没那么神，也没那么玄——参数锁死那三个数，文案压在50字内，剩下的就是耐心挑片。短视频口播这个活，AI现在抢不走全部，但确实抢走了一大半重复劳动，这部分我先收下了。

常见问题

AI口播视频能直接投千川吗？平台审得过吗？

能投，后台记得勾AI生成内容标识。我7条送审全过，没有一条卡在AI标识上。真正的风险是同质化：同款口播铺得太密，跑量数据会掉，建议同版式别超过三连投。

一条口播稿写多少字合适？

15秒配45到55字，30秒别超110字。字数一多，模型会把语速偷偷拉快，口型跟着对不上，这是我废弃片里最常见的一种死法。

声音听着还是像机器人，怎么办？

先换音色档位再调语速，别在原音色上硬调。我把8个音色档全试了一遍，第3、第6档最不像机器；稿子逗号多、停顿多的，机器感也会轻一些。

用AI模特的脸做口播，会有肖像或版权麻烦吗？

平台自带的模特形象按平台协议走，商用前把授权条款翻一遍。自己生成的脸，注意别和真人明星撞脸，撞脸的图直接弃用，别赌。

延伸阅读

• 解说ai模特视频怎么做：服装讲解口播成片的实测流程——想把坐着讲换成边走边讲的版本，这篇的流程拆得更细。