配音先行作业单：八步从稿子到音画对齐成片——四份说明文件、人耳终判、时间表卡字、逐帧导出

配音先行作业单：八步从稿子到音画对齐成片

方法桶双卡的作业卡（仓颉 RIA 六段，站主 2026-10-19 拍板加配）；同条主卡见末尾出处区。

R — Reading

“核心就一句话：配音是整条视频的时钟。” “很多人做视频，习惯先剪画面，然后一点一点去对；我正好反过来：先把整篇配音生成出来……它就是整条视频的时间表。” “就像拿着歌词本听歌——歌词你早就知道了，只是听出每个字从第几秒开始、到第几秒结束，专业上叫强制对齐。” “AI 能帮你把范围缩小，最后还是要你自己听。” “我只跟它说好看点——它不知道什么叫好看，只会往上加光效。” “要把你想要的样子，写成它能照着做的规格。”

出处：原视频，字幕逐字稿（库内 00_原文/douyin/2026-10-30-AI配音怎么做，我是怎么做视频的，整理稿见同文件 📖 节）。

I — Interpretation

四步原理撑起整条工序：先有配音（稿子→整篇音频，时间从此有主）；强制对齐（拿到每个字的起止秒——三源：配音模型自带返回、对齐模型专算、剪映字幕识别兜底）；让 AI 读懂稿子把画面卡在词上（讲概念出图表、引原话截网页、提产品放 logo，每个动画写成”说到某词时某物出现”）；逐帧确定性导出（一帧帧按时间算出来再放回配音，不存在边播边录的错位）。选型上排除法清晰：自配门槛高、机械音营销号化、克隆音色不自然，收敛到”生成式语音大模型＋平台自带音色＋API”，因为 API 能把情绪、停顿、断句写进参数，且方便搭稳定工作流。协作上划界明确：AI 干可测的活（初筛音色要生成一遍、测音高语速、识别回文字验吐字；配音要 ASR 逐字回核），人干感官的活（试听终判、拍板音色——作者刻意没选 AI 推荐的那支）。审美上规格化：“好看点”是无效指令，美术分镜（颜色、风格、每镜头内容、尺寸、卡字点）才有效。

A1 — Application Example（作者亲历，非合成）

作者让 DeepSeek（“你用其他任何 Agent 都是可以的”）从零做一条 15 秒科普动画”为什么天空是蓝色的”：文件夹放四份文件（稿子、读法规则、平台说明、画面要求含”底部居中白字柔和阴影”的字幕规格与导出方式），对话框只说大白话。第一步拿 key，平台后台新建 API key 存进文件——作者忘了填，agent 发现是空的，停下来问怎么给，没乱跑。第二步挑音色，只说”年轻女性、吐字清楚、适合讲科普、帮我挑四个”；它在平台六万音色里把候选各生成一遍、测音高语速、识别回文字看吐字，给四个带说明的候选；作者试听后选了它多给的备选之一。第三步整篇配音：先按读法规则改稿（多音字风险处改动），生成后送 ASR 与稿子逐字比对（屏幕报 65/65 命中，数字未坐实），全部对上。第四步拿每字时间表：ElevenLabs 生成时随音频返回；不返回的平台用剪映或 Qwen3-ASR（0.6B、4G 显存、可做成 MCP）。第五步画面：初版只有小点细线、改一轮变成”一个太阳在发光什么都没讲”——因为只说了”好看点”；补一份美术分镜后推翻重做。第六步按时间逐帧导出（口播记 932 帧，与 15×60=900 不符未采信），成片画面确实在跟着声音变。

A2 — Future Trigger

情境（什么场景会撞上）：

1. 做口播类视频/动效，画面和台词总对不齐、手工对轴烦到想弃工时；
2. 需要给 AI 工作流选配音方案、纠结自录还是 AI 时；
3. 让 AI 帮忙选声音/风格类东西，需要设计”AI 初筛＋人终判”的接口时；
4. 给 AI 提审美需求反复不满意，怀疑”是不是我没说清”时；
5. 要给语音识别/字幕时间轴搭本地可调用件（MCP 化）时。 语言信号：“字幕和配音老对不上""这个配音怎么做的""画面卡不到点上""让它好看一点它乱加特效”。 相邻区分：本卡管”声音为时钟”的对齐工序；代码视频卡（10-30 同日另一条）管画面生成路线；10-24”让 Agent 当导演”管平台托管式生产——本卡的独特件是强制对齐时间表与”产物验产物”自检环。

E — Execution

1. 锁稿出声：写好全篇稿，用选定平台整篇生成配音。完成标准：一段完整音频。判停点：还没锁稿就开始做画面——停，顺序错了后面全要返工。
2. 备四份说明文件：稿子／读法规则（哪里换气、长句怎么断）／平台与参数／画面与导出要求（尺寸、配色、字幕位置样式、导出规格）。完成标准：技术细节全在文件里，对话框只说大白话。
3. key 入文件：平台后台新建 API key，存进文件交给 agent，不贴对话框。完成标准：agent 缺 key 时停下来问（这是护栏在工作的信号），按其指引补。
4. 音色初筛：一句风格描述＋“挑 N 个、每个用第一句生成试听”。要求 AI 用可测代理（生成→测音高语速→识别回文字验吐字）。完成标准：候选带参数说明的试听包。判停点：AI 直接按文字标签推荐而不产试听——退回，标签推荐等于没听。
5. 人耳终判：试听全部候选＋额外备选，人拍板。完成标准：定下唯一音色。此步不可外包。
6. 配音自检环：按读法规则改稿→整篇生成→ASR 逐字回核原稿；多音字疑似读错就换单一读音的词。完成标准：逐字全部对上（拿不准的改动列清单人工过目）。
7. 拿时间表：平台返回优先；没有就 Qwen3-ASR（本地装、可 MCP 化）或剪映识别。完成标准：一份每字起止秒的文件。
8. 卡字排画面＋逐帧导出：按美术分镜规格让 AI 排画面（每镜头颜色/风格/内容/尺寸/卡字点），审样后按时间逐帧渲染、回嵌配音。完成标准：试听看片时画面总在说到那个词时出现。判停点：对不上先查分镜规格缺了”卡在哪个字”，别先怪模型。 输入契约：全篇稿；缺稿不动工。输出契约：配音＋时间表＋分镜规格＋成片。

B — Boundary

• 不要用的场合：短剧/剧情类配音（作者自我限定”只针对科普动画类，做短剧就当我没说”——克隆与配音演员在这类里仍是正解）；直播/即兴口播（稿不定则时钟不存在）；只需一句旁白的场合（八步工序过重，直接平台生成即可）。
• 作者警告过/自认的失败模式：自己配音、MiniMax、Gemini 均被本人试败（个人经历非横评结论）；“好看点”式指令失败被作者亲口认错重来。
• 批判性补充（阶段 0 视角）：①全程依赖具体平台特性（ElevenLabs 随音频返回字级时间），换平台须先验”给不给时间表”，这是工序成立的地基；②”全网最细”无对照；剪映导出限制半句缺失，按此步骤做字幕导出前须自查平台条款；③多音字只换词回避，治标不治本，真敏感内容仍需人工听全片。
• 易混：本卡≠TTS 榜单（只给选型框架不给排名）；≠剪辑教程（画面生成归代码视频卡）；与 10-20”AI 视频六件套按场景对号入座”互补——那张选工具，这张定工序。

---

📺 亚里今天 AI 了不《AI 配音怎么做，我是怎么做视频的？保姆级教程之AI配音教学》，抖音，2026-10-27 · 原视频 · 库内 2026-10-30-AI配音怎么做，我是怎么做视频的 · 手写版对照 卡片/方法/10-30-配音是整条视频的时钟 · 速览 速览/2026-10-30-AI配音保姆级教程配音先行画面卡字 登记元数据（简）：capability_id: cap.kbv2.voice-first-clock-workflow · importance: 中（口播视频音画对齐的可复制工序，站主影视稿/简报动画线可直接接）· intents: [AI配音选型, 音画对齐, agent产物自检设计] · keywords: [强制对齐, 时间戳, ElevenLabs, Qwen3-ASR, 美术分镜]