寵物影片工作流。
播客與採訪兩種實踐。

目標與流程

寵物播客的目標是讓兩隻寵物成為對話角色，根據上傳的照片和話題生成一段播客式短片。工作流需要組織對話腳本、角色畫面、配音和剪輯，讓這些部分銜接起來。

工作流從寵物照片和話題開始，生成對話腳本與分鏡畫面，再準備 TTS 配音和影片片段，最後組合影片、聲音與字幕。

聲音怎麼選、每段話佔多長時間，會直接影響觀看體驗。我把主要調試精力放在這兩個問題上。

先試聽，再限定音色範圍

音色是我當時最難處理的問題之一。讓工作流自己尋找它認為合適的聲音，很難表達我對“好聽”的具體判斷。

我逐個試聽 TTS 庫裏的聲音，把自己認為合適的音色整理成預選庫，再要求工作流只能從這些音色中選擇。

這個調整把選音分成兩步：先由我完成試聽與篩選，再由工作流在給定範圍內選擇。人工判斷因此成為流程中的一個明確約束。

把生成時長和成片時長分開

另一個問題是，口播和動物嘴部動作的時間對不上。

當時使用的影片生成工具至少生成 5 秒片段，但每句台詞需要的時間不同。我先通過腳本字數控制枱詞長度，再生成 5 秒影片，在後期把片段裁剪到所需長度。

最終保留的鏡頭時長可以跟隨口播調整。這個方案針對口播與畫面的時長、節奏匹配；它本身不等於逐個發音的精準嘴型同步。

目標與流程

寵物採訪是另一套參考模板獨立搭建的工作流。用戶上傳兩張寵物照片，並可補充簡短描述，生成帶有角色個性和配音的採訪影片。

照片與描述 → 角色特徵提取 → 採訪腳本 → 配音與分鏡時長檢查 → 影片與字幕合成。

提取角色特徵

我要求模型逐項提取動物特徵，形成標準化視覺描述，為不同鏡頭中的角色形象提供統一參考。

比較時長，調整台詞

採訪工作流中設置了配音時長與分鏡時長的比較，並通過精簡台詞和再次檢查來調整時長。這與播客中生成 5 秒片段後裁剪的處理方式分開呈現；時長匹配不等於精準嘴型同步。