数字人产品口播

# 数字人产品口播 适合电商带货、新品种草、品牌账号日更：一个真实感的数字人拿着产品，像用手机前置摄像头自拍那样对着镜头讲卖点。整支片只有一个场景、一个机位、一张关键帧，靠口播内容推进。最终交付一支 15-45 秒的 9:16 竖屏口播视频（按台词切成 2-5 段，每段 5-10 秒），配轻背景音乐。 ## 开工前确认 - 先请用户上传产品图（包装、单品、抠图或实拍都行）。没有产品图时，按品类编一个看起来合理的示意产品，并明确告诉用户这是演示用、之后可以换成真实照片。 - 口播稿：用户有稿就用用户的；没有就根据产品卖点写一版，控制在每秒 4-5 个中文字。 - 数字人：用户上传了人物照就以照片为准做统一修整（保留五官和气质，出一张干净的电商级定妆照）；没有就按用户描述的年龄、性别、穿着和气质新建一个。 - 语言：优先看人物设定（例如欧美面孔讲英文），其次看用户要求，最后看用户输入的语言。 - 用 ask_user 一次只问一个真正影响结果的选择，通常是场景：居家（日常生活感）/ 健身房（活力）/ 安静书店（知性）/ 办公室（专业商务）。 ## 制作流程 1. 项目设定 —— 在回复里用表格给出：类型（数字人口播带货）、9:16、时长、视觉风格（真实摄影、干净光线、手机前置自拍感）、语言、场景、数字人设定、产品。**停下等用户确认。** 2. 口播稿与分段 —— 给出逐字口播稿，再按句子切段：每段 5-10 秒，必须在完整句子结束处切，绝不能把一句话拦腰截断。镜头数完全由台词分段决定，不为了「节奏感」额外加镜头。**停下等用户确认台词。** 3. 元素图 —— 数字人定妆照（图1）、产品图（图2，用户上传或生成）、场景图（图3）。**停下请用户审阅。** 4. 关键帧 —— 把人物 + 产品 + 场景合成一张关键帧（图4）：人物胸像或近景，手里拿着产品，光线和持握方式定死。整支片所有段落都用这一张。**停下确认。** 5. 逐段生成口播视频 —— 每段都以 图4 为首帧，台词写进提示词，生成说话的视频。 6. 背景音乐 —— 生成一条轻快、不抢人声的背景乐。 7. 交付清单 —— 按段落顺序拼接，提示去时间轴合成。 ## 风格锁定 - 统一画风关键词（每条提示词都带）：`realistic smartphone front camera selfie video, natural indoor light, natural skin tone, slight handheld steadiness, authentic lifestyle feel` - 真实感优先：自然光或室内光，皮肤有真实质感，不要重度磨皮的「广告脸」，不要影棚打光。 - 一个场景、一个构图、一张关键帧贯穿全片。口播内容换了话题，背景也不换。 - 景别：近景（胸像）或中近景，脸要大而清晰，便于口型对齐；除非用户明确要展示全身穿搭与产品的关系，否则不拍全身。 - 产品要清楚可读：人物手持或佩戴，和脸一起占据前景注意力；不要小到看不清、被手挡住标签，或淹没在杂乱背景里。产品太小就收紧构图、把手和产品往镜头前带。 - 必须避免：切景别、换机位、换场景、产品在不同段落里换了样子、人物衣服发型变化、画面里出现乱码文字。 ## 分镜与镜头规则 - 镜头数 = 台词段数。30 秒口播通常 3-4 段，45 秒 5 段左右。 - 分段原则：先按完整句子切，再看时长；单段超过 10 秒就在前一句结束处再切一刀。每段第一句尽量是一个完整的小卖点。 - 口播结构建议（30 秒）： - 第 1 段（约 6-8 秒）钩子：直接抛痛点或结果，「换季脸一直起皮？我最近用这个，三天就好了。」同时把产品举到镜头前； - 第 2-3 段（各 8-10 秒）卖点：每段一个卖点，配一个具体动作（打开盖子展示质地、指尖蘸一点在手背上抹开、翻到背面指成分）； - 最后一段（约 6-8 秒）行动号召：「链接放下面了，敏感肌也能用，冲。」微笑把产品再往镜头前递一下。 - 动作设计要贴台词：讲质地时展示质地，讲成分时指着包装，讲效果时摸脸或比手势。动作幅度小而自然，像真人在自拍。 - 分镜表字段：段号 / 时长 / 逐字台词 / 情绪与语气 / 身体动作与产品动作 / 镜头（基本固定，可有轻微手持晃动或极缓推近）。 ## 提示词写法 - 图片提示词像导演和调色师给团队下指令：内容用连贯的自然语言（主体 + 动作 + 环境），美学用短语（风格、色彩、光线、构图）。只写看得见的东西，不写心理活动。 - 数字人定妆照：年龄、体型、外貌特征（眼型、下颌线、发型发色）、妆容、服装（材质、版型、颜色）、配饰，写具体、写死。 - 关键帧示例： `图1 中的女生坐在图3 的居家客厅沙发上，右手把图2 的白色保湿面霜举到下巴旁边，标签正对镜头清晰可读，她看着镜头自然微笑，嘴微张像正要开口；胸像构图，脸和产品占画面主要区域，背景是浅色布艺沙发和绿植，窗边自然光从左侧照来，realistic smartphone front camera selfie, natural skin texture, 9:16` - 视频提示词只写「变化」，不重复描述图里已有的静态细节。结构：镜头动作 + 说话人情绪 + 说话状态 + 具体肢体动作 +（可选）背景动态，再附上本段逐字台词。示例： `镜头基本固定，带轻微手持感。图4 中的女生用亲切、语速适中的讲解语气对着镜头说话："你看这个质地，是那种水润的啫喱感，一抹就化开了。"说到「质地」时她用左手拧开盖子把面霜朝镜头倾斜展示，说到「一抹就化开」时用指尖蘸一点在右手背上轻轻抹开，然后抬眼看镜头点头。口型与台词同步。不要背景音乐，不要字幕。` - 说话状态要写明确：在说话、在边笑边说、在惊讶地说；表演提示用「语速适中」「亲切的讲解者」这类具体词，不写诗意描述。 ## 在 TVVV 上执行 - 元素图和关键帧都用 generate_image，默认 Nano Banana 2：数字人定妆照 图1（用户有照片就把照片放进 reference_images 修整）、产品 图2（产品包装上有文字需要清晰还原时用 GPT Image 2）、场景 图3、关键帧 图4（reference_images 带上 图1、图2、图3）。 - 每段口播用 generate_video，默认 Seedance 2.5、9:16、720p，单段 5-10 秒；reference_images 都带 图4，image_role 选 first_frame，所有段落共用这同一张关键帧，保证人物、产品、光线、持握方式全片一致。台词原文写进提示词，让视频直接生成同步口型和声音；同一个数字人每段都写同样的声音描述（如「年轻女声，明亮亲切，语速适中」），保持声线一致。 - 如果用户想要固定的旁白声音，也可以用 generate_speech 先按段落生成口播音频，再生成说话视频时让台词与之一致，剪辑时以音频为准、静音视频自带人声。 - 背景音乐用 generate_music：轻快、干净、无人声的生活方式风格，节奏不要太强，音量明显低于人声。 - 一次回复最多 4 次工具调用；30 秒以上的片子分两批生成口播段落，每批回来检查口型同步、产品外观、人物是否一致，再继续。 - 结尾给交付清单：每段视频与台词的对应、拼接顺序、背景乐铺法。剪辑建议：以口播时间线为准按顺序直接拼接，不改播放速度，不额外加淡出；如果单独生成了旁白，记得把视频自带人声静音，避免重音；字幕按台词逐句加在画面下方安全区。提示用户在 TVVV 时间轴里合成。 ## 注意事项 - 段与段之间人物「跳一下」是口播片最明显的破绽：所有段落必须共用同一张关键帧作首帧，并且每段开头和结尾的姿态尽量回到持产品看镜头的状态。 - 一句话被切成两段会让口型和语气断掉：只在完整句子结束处分段。 - 脸太小口型就对不准：坚持胸像或中近景，不拍全身。 - 产品标签糊掉或变形会直接影响带货：关键帧里让产品正对镜头、足够大，视频提示词里避免大幅转动产品。 - 别把数字人做成过度美颜的广告脸，真实的手机自拍感才更像真人种草。