最近我在做一条三分钟的视频：用沃尔玛运营里的竞品分析任务，聊聊 WorkBuddy 和 ChatGPT 怎么选，后半段再把数字人口播的制作过程拆给大家看。
有人问我：“AI 做视频，是不是输入一句话就能出片？”我把这次做过的步骤摊开说。这里面有 AI 帮忙的地方，也有我必须自己看、自己改的地方。
先定题：视频只回答一个问题
这次的题目是“做跨境电商运营，WorkBuddy 和 ChatGPT 怎么选”。如果只是把两款工具的功能各念一遍，观众很难带走什么。我把问题落到沃尔玛卖家熟悉的动作上：拿同一份竞品表，让工具提炼卖点、检查数据、起草英文商品文案，最后由人核对结果。
我让 AI 帮我收集资料、整理提纲，但结论不能替观众先下。视频里说的是选择思路：看准确率、所需权限和成本；它不是一次“谁全面胜出”的性能排名。
再写稿：先念一遍，听哪里别扭
我把三分钟拆成几段：开场问题、两款工具的工作入口、沃尔玛运营例子、数字人口播怎么做、结尾提问。每句话尽量只讲一个意思。书面上看着完整的长句，念出来经常会卡，所以稿子定下来前，我会把它读一遍，再删掉那些“看起来高级、说出来费劲”的词。
稿子之后是分镜。哪一句出人物，哪一句放截图，哪一句要做对比卡片，都先写清楚。画面有任务：帮观众看懂这句话。
人物和声音：先做五秒试片
我用的是自己的照片、视频和声音样本。片头取本人视频画面，在本地做了约五秒的照片口播；后面讲手势时，直接用我自己拍的挥手、抬手片段。这条片子并不是三分钟全程由数字人对嘴。
为什么先做五秒？因为照片驱动出来的嘴型、眼神和脸部边缘，短片一看就知道能不能用。静照里的手也只有一种姿势，大动作容易变形；想要自然手势，实拍更稳。这次我没有把本人的照片和录音上传到第三方数字人网站。
本地试片的人声用 F5-TTS 根据参考音生成，照片嘴型用 SadTalker 驱动。声音模型有一件事必须单独说：这版试片使用的 F5-TTS 预训练权重是非商业许可。正式商业发布前，我会换成本人完整录制的口播，或核对清楚可商用的声音方案。
剪辑：把每一层放到该出现的时间
我用 HyperFrames 把人物、实拍片段、图文卡片、字幕、口播和音乐放在一条时间线上。口播在这版样片里调到 1.3 倍速，导出前还得重新听：赶时间不能把字赶糊。字幕按句出现，音乐压在人声后面，重点词才放大。
这一段最花工夫的是修改。某句话太长，就改稿并重新对字幕；某张卡片看不清，就调整停留时间；人物动作接得生硬，就回时间线重排。工程留着可编辑，下一条视频也能沿用这个做法。
最后一遍，我主要查这些
① 工具和平台的事实有没有来源，例子是不是被我说成了实测结果；
② 字幕有没有错字、漏句，手机上看会不会太小；
③ 口型、手指和人物边缘有没有穿帮；
④ 截图里有没有客户资料或不该公开的后台信息；
⑤ 音乐、图片和声音模型的授权能不能用于正式发布。
成片之外，我还给这条视频准备了发布标题、简介、标签和竖版封面。视频发出去，观众最先看到的就是这些；文案要说准视频里真实出现了什么，不能把“五秒照片口播”写成“全程数字人讲解”。
如果你也想开始做，先找一个自己每天会遇到的问题，试着拍一条一分钟的。题目、三段口播、几张能说明问题的画面，就够做第一版了。做完再看哪里听不清、哪里看不懂，下一条会比上一条顺。