AI生成模特说话指令实测：口播视频这样写才对口型
先说结论：AI模特开口说话的指令，成败在颗粒度。只写"让她自然说话"，十条里能用的就两条；把口型、语速、停顿、背景音拆开交代，十条能用九条。我按这套写法接的8秒口播短视频，当天过稿。
AI生成模特说话指令，写法直接决定口播能不能用，这是我拿三版指令实测三个晚上得出的结论。
上个月接了一条服装新款的口播短视频，甲方没有真人出镜预算，我改用图生视频，让AI模特对着镜头念卖点。第一版发出去没几个小时，评论区就有人问：嘴型和声音怎么对不上？当场社死。回头把指令重写了三版，一条条测过去，才摸到门道。这篇把三版写法和实测数据全摊开，你直接抄成功那版就行。
三版指令实测下来，差距比想象的大
只写"让她自然说话"，十条能用两条；写清口型、语速、停顿、背景音后，十条能用九条。颗粒度决定口播质量，别指望一句话出活。
做法很土：同一段40字的文案，同一张底图，只换指令，每版各跑十条，一条8秒。可用标准定死三条——嘴型开合看得见、节奏没飘、画面没鬼影，缺任何一条就判废。
版本A就一句"让她自然说话"。十条里两条能用，其余不是嘴不动，就是嘴动声音停半秒，像老DVD卡碟。最离谱的一条，模特念到一半脸换了个角度，卖点没念完人先变了。
版本B加了"口型自然开合，语速平缓"。能用五条，剩下的毛病集中在抢拍，念到后半段越来越快，像赶地铁。
版本C在B的基础上补了断句和背景音，九条能用。废掉的那条是我底图自带闭眼，怪我，不怪指令。这一晚上三个小时的试错，全试在指令上，账算下来很值。
成功那版指令，拆开就四段
把指令分四段写：先锁人物，再写说话状态，然后给文案断句，最后交代背景音。每段一句，顺序别乱，这是我十条九中的那版结构。
| 指令段 | 我写的原文 | 管什么 | 实测反馈 |
|---|---|---|---|
| 锁人物 | 画面中女性模特面部与身体保持稳定，位置不变 | 防换脸、防漂移 | 必写，缺了出鬼影 |
| 说话状态 | 嘴型自然开合，语速平缓，每分钟约200字 | 口型与节奏 | 加了之后对齐率肉眼可见地上来了 |
| 文案断句 | 念"新款卫衣，加绒加厚，冬天穿不冷"，逗号处停半拍 | 停顿点等于剪辑点 | 断句处口型有停顿，剪起来顺手 |
| 背景音 | 只保留清晰人声，无背景音乐 | 给后期留空间 | 配乐字幕随便加，不打架 |
每分钟200字是我掐秒表数出来的，比正常口播偏慢一点，AI反而念得更稳。断句六到八字一顿，是跟配音同事学的，人家念稿子就这么换气，我直接搬过来用。你抄的时候可以按自家文案顺一遍，念着卡壳的地方就是该断句的地方，人嘴比脚本诚实。
话说回来，断句还有个意外的好处：我后来直接按断句拆字幕，一条字幕一个气口，手动对轴的活儿省了一半。那天晚上四十多条片子全剪完才十一点，比我预估的早了一个多小时。这种顺手的事，指令写得细了自然就冒出来。
发布之前，三条规矩别省
合成语音要按AI生成内容标注，发布时把开关打开；成片放大检查五官，防渲染崩坏；文案别写功效承诺。三条做到，账号才立得住。
标注这事别嫌麻烦。平台现在对AI合成内容有标注要求，口播用的合成语音也在内。我那版最终发布时勾了AI生成标识，完播率没受什么影响，观众真正在意的是内容值不值。
参数值钱，底图一样值钱。同样的指令，正面半身、光线均匀的底图，成功率高得明显；侧脸、逆光、头发遮嘴的底图，再好的指令也救不回来。所以我现在拿到单子先挑底图，指令是第二步。这个顺序反过来的话，你会把时间全耗在重跑上。
五官检查是我吃过亏的。有一版放大看才发现模特牙齿多画了一颗，镜头只有8秒，重渲染一次八分钟，赶稿当天这笔时间账很肉疼。现在成片导出前我固定放大看三处：牙齿、耳朵、发际线。
最后一条老生常谈：AI模特的脸是虚构的，别拿去冒充真人做见证式口播，也别套任何真人的脸，请守住这条线，踩了很难收场。
回到开篇那次评论区翻车：口播视频好不好用，从来不怪模特，怪指令。锁人物、写状态、给断句、留人声，四段写完，AI模特念稿比你想象中老实。我的8秒成片能过稿，你这版指令抄过去，大概率一次就成。
常见问题
为什么我生成的模特嘴巴完全不动？
八成是指令里压根没写"嘴型开合"，或者人物锁定写得太死把嘴也锁住了。把说话状态单独列一句，明确写嘴型自然开合，再跑一次试试。
口播文案写多长合适？
8到15秒，40到60个字，六到八字一顿。太长语速会飘，对齐率往下掉，我实测超过20秒就开始赶拍，口型越来越糊。
配音用真人还是合成语音？
赶时间就用合成，出稿快，记得标AI生成。真人配音更有温度，但要等档期。我的习惯是日更用合成，品牌片用真人。
AI模特口播能用于商业投放吗？
可以，标注AI生成是底线，广告相关的话术该守的照守，别编功效。虚构形象别冒充真人做见证，这条平台查得严。