12.3.1 视频与语音路线图：脚本、时间线、同步

视频和语音生成多了一个关键维度：时间。你不再只是生成一张图，而是在时间线上组织脚本、镜头、旁白、字幕、动作和审核。

先看时间线

先养成一个习惯：每个生成素材都要说明它在时间线上的位置。

建一个 30 秒素材计划

shots = [
    {"seconds": 8, "visual": "problem screenshot", "voice": "Many course questions repeat."},
    {"seconds": 12, "visual": "RAG pipeline diagram", "voice": "Retrieval adds sources before the model answers."},
    {"seconds": 10, "visual": "final assistant screen", "voice": "The answer is clearer and easier to verify."},
]

for index, shot in enumerate(shots, start=1):
    print(f"shot_{index}: {shot['seconds']}s | {shot['visual']} | voice: {shot['voice']}")
print("total_seconds:", sum(shot["seconds"] for shot in shots))

预期输出：

shot_1: 8s | problem screenshot | voice: Many course questions repeat.
shot_2: 12s | RAG pipeline diagram | voice: Retrieval adds sources before the model answers.
shot_3: 10s | final assistant screen | voice: The answer is clearer and easier to verify.
total_seconds: 30

即使还没有调用真实视频模型，这已经是一个可用的视频生成 brief。

按这个顺序学

步骤	阅读内容	练习产物
1	视频生成	把脚本拆成镜头和视觉提示词
2	TTS	把旁白变成语音设置和字幕文本
3	数字人	记录人脸、声音、口型、授权和安全边界

通过标准

你能把一个主题拆成包含镜头、旁白、时长、字幕、风险备注和导出要求的时间线，就算通过本章。

检查思路与讲解

1. 合格答案要说清涉及哪些模态、输入输出契约是什么，以及文字、图像、音频或视频证据如何对齐。
2. 证据应包含真实媒体产物或 trace，并附上质量、安全和失败案例说明。
3. 自检时要能判断任务需要的是生成、理解、检索、工具编排还是人工复核，而不是把所有多模态问题都当成同一种 demo。

留下的证据

学完这一页，至少保留这张证据卡：

分镜脚本

场景列表、时长、镜头/语音/字幕/时间备注

资源列表

图像、音频、语音、字幕、片段和来源/许可证字段

同步检查

语音-文本时序、口型同步、镜头连续性或帧一致性

失败检查

闪烁、身份漂移、音频不匹配、不安全相似度或导出问题

期望产出

带复查说明的分镜或时间线产物