AI 数字人脚本与提示词:HeyGen 与 Synthesia(2026)
AI 数字人不知从何时起不再是新奇玩意——从去年的产品演示到今年的 Q4 内容日历,它已经是常规生产资产。2026 年,在 HeyGen 或 Synthesia 上生成一个口播出镜者,是再正常不过的制作方式:11/27 黑五促销视频、12/25 圣诞祝福、1/1 跨年回顾、新手引导讲解、本地化新品发布。数字人技术本身已经解决了。没解决的,是真正说服人的那一层:脚本。
大多数数字人视频死在前三秒,死因是有人把为眼睛写的文案贴了进去——长从句、堆形容词、放在落地页上没问题但一开口就死的段落。第二种死法在视觉:一个不动的说话脑袋,没有 B-roll、没有构图决策、没有节奏。数字人视频终究是视频,它需要镜头语法。
这份指南把数字人片段当作它本来的样子——一段口语表演加一条视觉轨道——给你脚本结构、出镜导演提示和这个季度就能跑的 B-roll 模板。
脚本就是提示词
把数字人工具栈想成两层提示词:
- 口语层——脚本本身。这是模型生成节奏、重音和语气的输入。每一个词都是给声音的指令。
- 视觉层——数字人选择、构图、手势力度,加上压在上面的 B-roll 和字幕。镜头语法住在这一层。
HeyGen 和 Synthesia 这类平台替你处理机械部分——数字人选择、声音、字幕、多语言版本——但谁都救不了一条平庸的脚本。像对待视频提示词一样对待脚本文件:结构化、带时间、为一个目标而写。
为耳朵写作,不是为页面
口语文案和书面文案遵循不同的规则:
- 第一句就上钩。数字人还没做完自我介绍,观众就已经决定去留。用问题或主张开场,不要用”大家好,欢迎看这个视频”。
- 一句话一个意思。需要连环逗号的句子就需要拆。口语每句 12–18 个词是舒服的区间。
- 把节拍写进去。在脚本文件里标时间:
[停顿]、[放慢]、[重音]。即使工具忽略它们,这些标记也能让你把脚本念出声来测试。 - 数字按节奏念出来。“直降四成——仅限本周”能落地;”40% off(限时)”在合成里活不下来。
- 收尾落在请求上。每条脚本以一个动作收束:去下单、预约演示、看下一条视频。不要两个。
短视频促销可用的骨架:钩子(3 秒)→ 问题(5 秒)→ 产品作答(10 秒)→ 佐证/卖点(8 秒)→ 行动号召(4 秒)。大约 30 秒,大约 75–85 词。骨架可以调,纪律不要动。
数字人视频的七个镜头要素
说话脑袋素材照样服从框架——只是重量转移到声音和节奏上:
| 要素 | 要写清什么 | 示例 |
|---|---|---|
| 主体 | 数字人类型 + 着装 + 精力水平 | “出镜者穿炭灰针织衫,亲和但利落” |
| 构图 | 头肩取景、视线高度、头顶留白 | “中近景,眼睛在上三分之一,头顶留白均匀” |
| 镜头 | 静止或极轻微运动;分心是大敌 | “锁死机位,无漂移” |
| 动作 | 手势语言和面部强调 | “重点处小幅手势,钩子处挑一次眉” |
| 光影色彩 | 平实、耐看、品牌中性的布光 | “左前方柔和主光,干净中性背景” |
| 节奏 | 语速感和节拍标记 | “利落的 150 词/分钟感,报价前 [停顿],价格处 [放慢]” |
| 声音 | 全部戏份:声音、节奏、垫乐、字幕 | “自信中音,垫乐 -20 dB,烧录字幕” |
声音这一行不再是后期备注——声音*就是*生成本身。把声音指令写进脚本头部。
可复制模板
1. 30 秒产品促销脚本 + 导演指令(9:16,TikTok/Reels/Shorts)
格式:9:16 竖屏,30 秒,数字人 + B-roll 叠加,烧录字幕。
出镜指令:出镜者穿素色鼠尾草绿 T 恤,亲和但利落,中近景,锁死机位,左前方柔和主光,干净中性
背景。重点处小幅手势。
声音:自信中音,语速利落(约 150 词/分钟),报价前 [停顿]。
脚本:你的咖啡又凉了。[停顿] 其实不必。这只保温随行杯能让每一口都热上好几个小时——双层钢壁、
防漏杯盖、放得进车载杯架。[放慢] 今天直降三成。点链接,在价格回去之前拿下它。
B-roll 计划:0–3 秒杯口热气升腾特写;6–12 秒杯盖旋紧密封微距;18–24 秒金色时刻车载杯架中的
杯子。27–30 秒 CTA 卡片,含产品和价格。
2. 60 秒讲解脚本 + 导演指令(16:9,YouTube / 官网)
格式:16:9 横屏,60 秒,数字人 A-roll + 两段 B-roll 切入,字幕开启。
出镜指令:出镜者穿藏青牛津纺衬衫,沉稳教师气质,中景,全片 5% 极缓推近,柔和主光 + 轻微
渐变背景。
声音:温暖,不急不赶(约 140 词/分钟),三个步骤处 [重音],行动号召前 [停顿]。
脚本:大多数团队每周都要把同一条视频为每个平台重新剪一遍,一耗就是几小时。有更快的办法。
[重音] 第一步:挑一条你已经做好的主打视频。[重音] 第二步:提取它的运镜与节奏结构——镜头做
了什么,而不是镜头说了什么。[重音] 第三步:把这套结构重建一次,再为每个渠道换皮。三步、
一套工作流,下一场战役一个下午就发得出去。[停顿] 怎么做到的,点下面的链接看。
B-roll 计划:12–20 秒剪辑时间线被重新剪辑的录屏(通用界面,无真实 Logo);34–44 秒一条
片段换皮成两种画幅(9:16 + 16:9)的分屏。55–60 秒尾卡。
3. 节日祝福 + B-roll 提示词(9:16,圣诞 → 跨年)
格式:9:16 竖屏,20 秒,数字人祝福 + 生成式 B-roll,暖色调色,字幕开启。
出镜指令:出镜者穿深红色针织衫,真诚温暖的状态,中近景,10% 缓慢推近,节日感但克制的背景
(素色暖墙、柔和虚化串灯,无品牌装饰)。
声音:温暖,语速放慢(约 125 词/分钟),最后一句带笑。
脚本:我们所有人,向你们所有人说一声——谢谢你陪我们走过这一年。[停顿] 我们会短暂休息,
1 月 2 号回来,带来更多你们想要的东西。[放慢] 节日快乐,新年见。
B-roll 提示词(单独生成,剪辑时压在脚本上):
- "深色墙面上发光的串灯特写,暖色虚化,缓慢移焦,3 秒,9:16。"
- "夜晚窗外飘雪,室内暖光在玻璃上反射,轻缓运动,4 秒,9:16。"
- "金色纸屑在深色暖背景中缓缓落下,浅景深,3 秒,9:16。"
生成之前:检查清单
- [ ] 钩子在第一句——没有问候,没有清嗓子
- [ ] 每句 12–18 词、一个意思;生成前把脚本念出声
- [ ] 节拍标记写进脚本:[停顿]、[放慢]、[重音]
- [ ] 脚本长度匹配格式:30 秒约 75–85 词,60 秒约 140–150 词
- [ ] 出镜指令写明:着装、状态、构图、布光
- [ ] B-roll 按时长和画幅规划(9:16 竖屏 / 16:9 横屏)
- [ ] 只有一个行动号召,且放在最后
- [ ] 整个包里没有品牌宣称、搬来的脚本或授权音乐
常见错误与 FAQ
“数字人听起来无精打采。”平的是脚本,不是声音。砍掉形容词堆叠,加上节拍标记,给这句话一个”现在必须说”的理由——紧迫感会读成能量。
“B-roll 提示词和普通视频提示词写法不一样吗?”同样七个要素,时长更短。数字人视频的 B-roll 每镜 2–5 秒,不能和口播台词抢戏,色温要和 A-roll 一致,剪起来才不跳。
“可以做多语言版本吗?”两个平台都能出多语言版本,但直译过来往往一股翻译腔。按每种语言的节奏重新标注脚本时间,并复查钩子——双关和习语很少能在翻译里活下来。
“数字人的出镜形象有多重要?”比人们以为的多一点,比脚本少得多。着装和背景不能和你的品牌色打架;除此之外,观众判断可信度主要看声音清晰度和脚本的相关性。
“模仿竞品的视频结构可以吗?”结构是语法——问题钩子、佐证、行动号召是所有人的语法。他们的脚本、肖像、音乐和宣称是他们的。骨架可以从任何参考里学,每个词自己写;如果有人问起,提取笔记就是你的证明。
数字人是交付装置,脚本才是产品。为耳朵写作,把画面导演起来,下一个 30 秒才会真的被人看完——用 SocialToPrompt 把一条参考片段拆开,把它的钩子、节拍和 B-roll 重建成你自己的脚本。
分享文章