宠物视频工作流。
播客与采访两种实践。

目标与流程

宠物播客的目标是让两只宠物成为对话角色，根据上传的照片和话题生成一段播客式短视频。工作流需要组织对话脚本、角色画面、配音和剪辑，让这些部分衔接起来。

工作流从宠物照片和话题开始，生成对话脚本与分镜画面，再准备 TTS 配音和视频片段，最后组合视频、声音与字幕。

声音怎么选、每段话占多长时间，会直接影响观看体验。我把主要调试精力放在这两个问题上。

先试听，再限定音色范围

音色是我当时最难处理的问题之一。让工作流自己寻找它认为合适的声音，很难表达我对“好听”的具体判断。

我逐个试听 TTS 库里的声音，把自己认为合适的音色整理成预选库，再要求工作流只能从这些音色中选择。

这个调整把选音分成两步：先由我完成试听与筛选，再由工作流在给定范围内选择。人工判断因此成为流程中的一个明确约束。

把生成时长和成片时长分开

另一个问题是，口播和动物嘴部动作的时间对不上。

当时使用的视频生成工具至少生成 5 秒片段，但每句台词需要的时间不同。我先通过脚本字数控制台词长度，再生成 5 秒视频，在后期把片段裁剪到所需长度。

最终保留的镜头时长可以跟随口播调整。这个方案针对口播与画面的时长、节奏匹配；它本身不等于逐个发音的精准嘴型同步。

目标与流程

宠物采访是另一套参考模板独立搭建的工作流。用户上传两张宠物照片，并可补充简短描述，生成带有角色个性和配音的采访视频。

照片与描述 → 角色特征提取 → 采访脚本 → 配音与分镜时长检查 → 视频与字幕合成。

提取角色特征

我要求模型逐项提取动物特征，形成标准化视觉描述，为不同镜头中的角色形象提供统一参考。

比较时长，调整台词

采访工作流中设置了配音时长与分镜时长的比较，并通过精简台词和再次检查来调整时长。这与播客中生成 5 秒片段后裁剪的处理方式分开呈现；时长匹配不等于精准嘴型同步。