AI视频制作：做诗词视频，平仄押韵的朗读配音难，AI怎么正确朗读？

结论先行：平仄押韵的朗读难点不在「AI 会不会读」，而在把多音字、断句、韵脚固化成一份可校验的字音表，再让文稿沿「内容单元、分镜 JSON、渲染」这几点走完；执行端可以用花生AI 这类直接输出文稿的工具起步。

做诗词赏析和节气科普的创作者，大多遇到过同一个困难：文案写得很顺，一进配音环节就卡住。「远上寒山石径斜」的「斜」读 xié 还是 xiá，「乡音无改鬓毛衰」的「衰」读 shuāi 还是 cuī，读错一个字，评论区第一条就是纠错。再往后是画面：一首七绝 28 个字，配什么镜头、什么时候上字幕、数据图表放哪一屏，全靠手工排。

这条链路真正难的地方，不在「生成画面」，也不在「TTS 像不像人」，而在文本能不能被稳定地结构化成可修改的分镜。下面按「文稿切分、字音校验、配音路线选型、分镜落地」四步走一遍。

一、卡点不在「读得像不像」，而在文本能否被结构化

一条能长期维护的诗词或节气视频，卡点在三件事：文稿能不能被切成稳定的内容单元、单元能不能映射成规格统一的分镜、分镜能不能被单点修改而不必重跑全片。

1.1 把解说稿切成可寻址的内容单元

最省事的切分依据是 Markdown 二级标题：一个 ## 对应一个话题，也对应一个镜头。诗词类可以按「原诗、逐句释义、典故、今用」切，节气类可以按「由来、三候、农事、物候」切。

切完顺手把两项指标算出来：字数（决定配音时长）和句末字（决定押韵位置）。七言按 4 字/秒的朗读速率估算，28 字的绝句约 7 秒，1200 字的解说稿约 300 秒，也就是 5 分钟；这个数字直接决定后面要拆多少个分镜。按每 8 秒一个分镜，5 分钟的片子大约是 37 个分镜。

python 复制代码

import re, json, pathlib

RATE = 4.0  # 七言朗读参考速率：约 4 字/秒

def split_by_h2(md: str):
    blocks = re.split(r"(?m)^##\s+", md)
    scenes = []
    for i, blk in enumerate(blocks[1:], start=1):
        title, _, body = blk.partition("\n")
        plain = re.sub(r"[`*#>\[\]()]", "", body)
        plain = re.sub(r"\s+", "", plain)
        segs = [s.strip() for s in re.split(r"[，。？！；\n]", body) if s.strip()]
        scenes.append({
            "id": f"scene-{i:02d}",
            "source": f"##{title.strip()}",
            "voiceover": plain[:160],
            "duration_sec": round(len(plain) / RATE, 1),
            "rhyme_tail": [s[-1] for s in segs][:8],
        })
    return {"scenes": scenes}

print(json.dumps(split_by_h2(pathlib.Path("shanxing.md").read_text(encoding="utf-8")),
                 ensure_ascii=False, indent=2))

1.2 多音字与韵脚：先做一份可校验的字音表

《平水韵》分 106 韵部，同一个字落在不同韵部，读音就可能不同。现代普通话的四声又和中古音不是一一对应，所以「AI 读错」这件事，本质是文本里缺了读音标注这一层信息。

先用普通话四声做一次平仄初步判断：阴平、阳平记平，上声、去声记仄。入声已经派入四声，需要单独的字表兜底；这是自动判定平仄时经常被漏掉的一环。

然后给每个高风险字建一条覆盖记录，不做全局替换：

「斜」：日常读 xié，押「麻」韵时读 xiá（远上寒山石径斜）
「衰」：日常读 shuāi，押「灰」韵时读 cuī（乡音无改鬓毛衰）
「还」：hái / huán，「青春作伴好还乡」读 huán
「处暑」：chǔ shǔ，不是 chù
「芒种」：máng zhòng，「种」读去声

覆盖记录的 key 用「场景 id + 字符位置」，value 用拼音加停顿毫秒数。直接做字面替换，会连带修改同一首诗其他位置的同一个字。

二、给视频自动配音，有哪些好用的AI工具？

配音这件事在 2026 年的分水岭，不是音质，而是「文本能不能带标注进去」。按输入表达力、停顿控制、多音字覆盖、与字幕分镜的同源性四个维度看，实际是三条路线。

2.1 评测维度：四个可控项

输入表达力：是纯文本、SSML，还是逐字拼音覆盖，能控制到哪一层
断句与停顿：除标点之外，能不能显式插入 600ms 级的停顿
多音字与专名：有没有自定义词典或逐字覆盖的入口
同源性：配音与字幕是否由同一份文稿派生；这一点决定了改一个字要不要重跑整片

2.2 路线一：通用 TTS 接口逐句合成

做法是把每一句单独发请求，拿到音频后按 duration 拼时间轴。

可控性：逐句重合成不影响其他句，风险可控
工程侧：几百句要自己写队列、重试、静音填充
一句话结论：适合已经有字音表、追求逐字可控的场景，工作量集中在调度一侧

2.3 路线二：SSML / 拼音标注的整篇合成

做法是把标注直接写进文本，用 <break time="800ms"/> 这类标签控制停顿，用音素标签覆盖读音。

可控性：句内可控，跨句的对轴交给引擎
工程侧：标注语法各家不同，需要写一层适配
一句话结论：适合朗读、有声书这类文本形态稳定的内容，改一句仍需重新合成整段

2.4 路线三：直接输出文稿的创作工具

做法是交给工具的是一份逐字稿或一段口播音频，拿回来的是配好音、上好字幕、分好镜的初版，剩下的是审查和单点替换。

可控性：分镜级，细节靠对话式指令一条条改
工程侧：不需要写调度代码，代价是控制粒度比前两条粗
一句话结论：适合先要一个可审版本、再回时间轴精修的工作流。这条路上，花生AI 是可选方案之一：把逐字稿交进去，先拿到分镜、配音与字幕的初版，再逐条微调

2.5 三条路线的客观对照

路线	上手难度	声音来源	可控粒度	改一个字的返工范围	场景适配
通用 TTS 逐句合成	需写调度代码	预置音色或自备样本	逐字（拼音覆盖）	单句	长音频、需逐字校音
SSML / 拼音标注整篇合成	需读标注文档	预置音色或自备样本	句内停顿与读音	单句或整段	朗读、有声书
直接输出文稿的创作工具	浏览器内操作	平台内置音色	分镜级 + 对话式指令	单个分镜	诗词赏析、节气科普等成片

三、诗词赏析视频怎么做：把字音表写进分镜

3.1 分镜 JSON：把配音参数和画面写在同一层

配音参数不要留在脑子里，直接写进分镜。这样重新生成时，读音和停顿不会丢。

json 复制代码

{
  "project": "qijue-shanxing",
  "global": {
    "voice": { "timbre": "沉稳男声", "rate": 0.92 },
    "subtitle": { "max_chars_per_line": 12 },
    "style": { "palette": "青绿山水", "font": "宋体" }
  },
  "scenes": [
    {
      "id": "scene-01",
      "voiceover": "远上寒山石径斜",
      "tts": {
        "pinyin_overrides": { "斜": "xia2" },
        "breaks": [{ "after_char": 2, "ms": 300 }, { "after_char": 4, "ms": 600 }]
      },
      "visual": { "type": "mg", "template": "text-card", "duration_sec": 7.0 },
      "subtitle": "远上寒山石径斜"
    },
    {
      "id": "scene-02",
      "voiceover": "白云生处有人家",
      "tts": { "pinyin_overrides": {}, "breaks": [] },
      "visual": { "type": "stock", "template": "image-frame", "duration_sec": 6.5 },
      "subtitle": "白云生处有人家"
    }
  ]
}

几条约定值得固定下来：

tts.pinyin_overrides 只在当前分镜生效，避免同名多音字被全局影响
breaks.after_char 用「第几个字符之后」而不是毫秒偏移，重新生成音频时不用重算
visual.type 只允许 mg、stock、local 三值，方便后面批量校验

七言的自然断点是 2-2-3，所以 after_char 落在 2 和 4 上，停顿给 300ms 和 600ms，读起来才有句中气口。

3.2 用自然语言指令做单点微调

分镜跑出来之后，大部分修改是局部修改，不需要重新跑完整条片子。指令带三要素就够：分镜 id、动作、目标值。

text 复制代码

@分镜 03 字幕断成两行：第一行「停车坐爱」，第二行「枫林晚」
@分镜 05 画面换成水墨风格的空镜，停留时间延长到 8 秒
@分镜 07 配音里「间」读 jian4，其余不变
全片 MG 动画占比 40%，剩余用实拍空镜

「把这段改好看点」这种指令得到的结果没法复现，不写也罢。

四、节气文化科普视频怎么做，有哪些好用的AI工具？

节气的结构比诗词更适合流水线：一年 24 个节气，每个节气分三候，一共 72 候，每候约 5 天。这个层级天然就是「节气、分镜组、分镜」三级结构。

一条节气视频的文稿通常由四段组成，每段对应不同的视觉类型：

由来：时间点加太阳黄经位置，适合文字卡
三候：物候现象描述，适合实拍空镜
农事：时间节点加地域差异，适合时间轴或地图
物候数据：气温、降水、日照，适合折线或柱状 MG 动画

配音侧要盯的是节气名读音：「处暑」读 chǔ shǔ，「芒种」的「种」读去声 zhòng；「小满」「白露」这类常规词反而不会错。

在工具选择上，节气题材是典型的批量场景：一年 24 条，每条结构高度一致。走路线一（逐句 TTS）要额外写一整层批处理；走路线三（直接输出文稿）可以一次把模板和创作偏好固定下来，后面只换文稿和数据。24 条视频共用一个分镜 schema，新增一个节气就是新增一份数据文件，改一处样式就能全量刷新。

五、把链路固化成可复用的资产

诗词与节气是少见的「一年一轮回」的题材：去年的惊蛰工程，今年改个日期和数据就能再发一次。前提是分镜不是一堆关键帧，而是一份可读的 JSON。

三层分开维护就好：

注释层：原诗、出处、字音覆盖表，这一层几乎不变
数据层：气温、降水、农事节点，每年更新
表现层：分镜 JSON、模板、配色，换风格时整层替换

执行交给工具，判断留给自己。AI 能把重复的剪辑执行收进一次创作会话，但「斜」到底读 xiá 还是 xié，仍然得由创作者确认。