ai绘画喃喃自语的氛围感：有声书主播调嘴唇微表情的实测笔记
我的看法是：ai绘画里「喃喃」这种状态最难画，难在它是「没说出口」——嘴唇微启、气多声少，词一写大就变成演讲。我按嘴唇、眉眼、手三个部位拆词，六十多张图试出来的模板在第三部分，照抄就能用。
ai绘画喃喃这个词，搜的人多半想要那种「低声呢喃的氛围感」——灯下的人像是刚要说什么，又咽回去一半。这个状态我太熟了，我是郑州的有声书主播，录了四年书，气声台词怎么摆口型，是我吃饭的本事。9月28号公众号要做一期「晚安电台」栏目，配图我自己包了，才发现AI压根不懂什么叫「话到嘴边」。
设备与环境交代：华为MateBook X Pro 2024款，无独显，全程网页工具出图，单张8到12秒。一周下来出了六十多张，能配上栏目的十一张。废片率高得离谱，但规律也清晰——喃喃感不靠玄学，靠三个部位的词咬准。
嘴唇：微启不是张嘴，中间差着十几个废片
喃喃的嘴唇要写「双唇轻启仅露一线缝隙，嘴角放松微向下，下颌微收」，写「说话」「低语」这种动作词，模型一律给你画成张嘴露齿的发音口型。差别就在「启」和「说」两个字。
第一版我写的「女孩在低声说话」，十张里九张张着嘴，像在念课文。剩下那一张，嘴唇闭死了，又成了抿嘴微笑。喃喃是中间态：缝要有，齿不能露。改词为「双唇轻启露一线缝隙，不露齿，嘴角自然放松」之后，命中率上到十张里四张。这个词组是我试出来的，现在是固定配置。
给同行划个重点：气声（耳语）和喃喃还不一样。耳语是凑近耳边，头会偏，我写「侧头凑近对方耳边，双唇轻启」；喃喃是自言自语，头微微低着。两套词别混。我录书的时候，气声台词一小时要录二十多遍才稳，画图的时候忽然意识到——AI比你想象的更不会「小声说话」。
唇形角度也是坑。正脸的微启嘴还能看，侧脸十张崩八张，嘴唇和下巴的转折乱来。侧脸场景我在提示词里加「侧脸轮廓线条流畅，唇部自然闭合微凸」，再不行就出正脸4分之3侧，别跟模型死磕纯侧面。
眉眼与手：喃喃感七分在眼神，两分在手
光有嘴唇不够，喃喃的自语感靠「眼睑低垂看向斜下方、睫毛在颊上留影」配「指尖轻抵唇边或摩挲杯沿」两个辅助词组撑起来。人自言自语时，眼睛不看任何人。
眼神是关键。自言自语的人焦点在很远或者很近的地方，唯独不在「观众」那。我的写法「眼睑低垂，视线落向斜下方，眼神柔焦」。加上这个，人物立刻从「对镜头营业」变成「沉浸在自己的话里」。
手是我9月30号凌晨试出来的。那晚我录完《长夜难明》第八章，顺手开了张图，把「手自然下垂」改成「指尖轻抵下唇，另一只手捧着温热的马克杯」，出图瞬间感觉对了——人喃喃时手总得干点什么。后来这成了栏目配图的标配姿势，听众群里没人说过为什么，但那期完播率是栏目开通以来最高的一期。
光线再补一句。喃喃的氛围靠「一盏暖黄台灯侧照，背景沉入暗处」，大平光是氛围杀手。我们录音棚里录夜戏也只开一盏工作灯，道理相通：暗下来，人才敢把话说轻。
三种「话很轻」的状态对照与翻车清单
喃喃自语、气声耳语、欲言又止是三种状态，嘴唇开合度、眼神方向、距离感各不相同，混着写必翻车。下表按我录音时真实口型经验整理，对照改词即可。
| 要素 | 喃喃自语 | 气声耳语 | 欲言又止 |
|---|---|---|---|
| 嘴唇 | 轻启一线，不露齿 | 微张，凑近耳畔 | 双唇闭合，唇角微动 |
| 眼神 | 低垂看斜下方 | 注视对方眼睛 | 欲抬未抬，闪躲 |
| 手部 | 指尖抵唇或捧杯 | 手拢在嘴边 | 手攥着什么或背在身后 |
| 光 | 单盏暖灯侧照 | 逆光剪影感 | 均匀冷光 |
翻车清单挑狠的说。最崩的一张：我把「喃喃」和「唱歌」两个概念写串了词，出图的女孩张大嘴，喉咙都看清了，配文却是「晚安」。还有一次模型给「轻启」的嘴加了满口整齐白牙，微启露全齿，笑得像牙膏广告。发现没？嘴这个部位，模型只会「全开」和「全闭」两个极端，中间的微妙状态全靠词喂，喂不准就抽卡，8秒一张，别心疼。
十一张定稿图后来做成九宫格发在栏目里，有个听众私信说「图里的人像上周失眠的自己」。这句话我截图存了。画得准，不如画得懂。
写完这篇是10月5号凌晨，录音棚的防喷罩还立在桌上，屏幕里是最后一张定稿：灯下女孩指尖抵着下唇，话到嘴边。四年了，我对着麦克风放过最轻的声音，原来也能被一行行词写进画里。下回录气声台词，我大概会想起那六十多张废片——话轻，事不小。
常见问题
ai绘画的人物嘴部总是崩，有什么通用办法？
减少嘴部特写占比，构图离脸部远一点；提示词里嘴的描述只保留一组词，前后矛盾会加剧崩坏；实在不行的图进后期修，唇形是磨皮级别的修补工作量，别整张重出。
喃喃自语和微笑的嘴型在提示词里怎么区分？
微笑写「嘴角上扬，双唇闭合」，喃喃写「双唇轻启露一线缝隙，嘴角放松」。差别就在「启」与「合」还有嘴角方向两个变量上，混用就会出「微笑着说话」的诡异表情。
画耳语场景为什么两个人总不像在说悄悄话？
耳语必须写距离和手势：「侧头凑近对方耳边，一只手拢在嘴边」。少了这两组词，模型默认两人普通对话站位，耳语的亲密感全靠这几处身体语言。
氛围感的人物配图用暖光还是冷光好？
看情绪。喃喃、失眠、深夜电台这类场景用单盏暖黄侧光，背景压暗；犹豫、疏离、欲言又止用均匀冷光。光在氛围图里是情绪的第二个 narrator，别当照明工具用。