AI 视频经常“画面精美、声音出戏”：口型对不上、配音忽快忽慢、音乐盖过人声。音画同步不是后期简单对齐，而是一条从配音规划到混音的完整管线。

## 时长对齐：先有鸡还是先有蛋

两种做法各有拥趸：先定配音时长，再按语速和停顿剪画面节奏；或先定画面节奏，再调 TTS 语速、插入停顿来适配。

关键工具是字级时间戳：用 forced alignment（如 Montreal Forced Aligner 这类公开工具）拿到每个字的起止时间，再反推画面切换点和字幕位置。没有字级时间戳的对齐，基本靠肉眼，返工率极高。

## 唇形同步的技术路线

路线一是唇形驱动，以公开的 Wav2Lip 方法为代表：输入一段音频，驱动已有视频的嘴部区域做口型匹配。轻量、速度快，但只动嘴，头部和表情不动，适合混剪和旁白类视频。

路线二是端到端的 talking head / 数字人模型，头部、表情、口型整体联动，效果更自然，但生成成本高、实时性差。选型看场景：人物口播类值得上路线二，产品混剪类路线一通常够用。

## 音效与配乐生成

环境音可以用 Stable Audio 这类公开的音频生成模型按文本描述生成拟音；配乐则注意情绪匹配和响度一致性。人声与音乐分轨混音是基本功，公开经验中常见的做法是把音乐压低 6 到 12 dB，给人声留出清晰度。

## 常见翻车点

口型与音节错位（多为时间戳不准或语速突变）、TTS 把数字和中英混读读错、背景音乐压过人声、多个片段拼接后音色不统一。建议每条片子固定同一套 TTS 参数，音色漂移是最容易被观众察觉的。

你在做 AI 视频时，栽过最大的音画坑是哪个环节？