视频

可灵对口型提示词怎么写？唇形同步的指令细节

刺猬星球super-i 团队发布于 2026-09-08 2,260 字

唇形翻车，十有八九不是模型不行，是口播稿没给咬字留余地。语速压到每分钟200字上下、停顿用标点提前钉死、跑对口型之前先撤掉背景音乐——这三件事做对，一次成片的概率会高很多。这篇全部是实测换来的记录。

可灵对口型提示词怎么写？先把结论放在最前面：决定唇形准不准的，不是你堆了多少风格形容词，而是要念的那段口播文本本身。语速、停顿、音画关系，这三件事在指令里交代清楚了，提示词就算到位。这个结论花了我三次翻车才敢写下来，过程一并给你。

可灵对口型提示词怎么写：指令里必须交代的三样东西

骨架只有三样：要念的口播文本、说话人的语气提示、音画关系的约束。少一样，模型就得自己猜，猜错就糊。

先把功能边界说清。可灵的对口型，公开版本走的是「文本或音频驱动人物开口」这条路：你给一段要念的话，或者上传一条录好的音频，模型让画面里的人把嘴对上。入口位置、参数名称、时长上限，各版本一直在调，以官方当前说明为准。我下面讲的，是这套流程里不怎么变的部分——指令怎么组织。

我的写法固定三行。第一行，口播文本原样放进去，一个字都不改。第二行，语气提示，一句话就够：「语速平缓，正常播报的语气，念完一句停半拍再念下一句。」第三行，音画约束：「人物只做说话时的口部动作，头部轻微自然晃动，嘴部节奏与语音逐字对齐。」三行加起来不超过八十个字，比一大段华丽描述管用。

说实话，我一开始也走过弯路，给文案前垫了两百字的画面描写，光影、景别、情绪写了一堆。结果唇形该糊还是糊。模型对口型时真正消费的是语音和文本的对应关系，你描写得再美，它也拿去管画面了，管不到嘴上。

口播语速一超过每分钟260字，模型咬字就跟不上；压到200到220之间，唇形同步的成功率肉眼可见地往上走。

8月26日晚上十点多，我在给一条30秒的咖啡机口播做对口型。第一版偷懒，把写好的文案整段丢进去——34秒的稿子，129个字，折下来每分钟220多字，还不算稿子里那个40多字的长句。生成出来，嘴动得很欢，字全对不上，「三秒出杯」念成了一团含糊的气音。翻车了。

第二版我学乖了点，在语气提示里加了「语速平缓」。有改善，但只救住了前10秒。长句一出来，模型开始自行压缩没念完的音节，后半段嘴和字错开半拍，看着像配音没配准的译制片。

第三版我不动提示词了，回头改稿子。每句砍到14字以内，长句拆成两个短句，句间留逗号，数字改成好念的写法。重生成，一次过。

版本	我改了什么	语速折算	对口型结果	我的评价
v1	整段文案直接丢进去	每分钟约230字	前半段勉强，后半段嘴和字错开半拍	不及格
v2	只加「语速平缓」的语气词	没变	前10秒准，之后开始糊	及格线上挣扎
v3	重写稿子：每句不超14字，句间留逗号	每分钟约200字	全程基本对上，仅一处吞字	能交付

对比下来我的判断很偏心：改提示词的收效，远不如改稿子。语气词有用，但只能救前几秒；稿子本身不合格的，先用AI把口播稿按句重排一遍再进对口型，我写过一篇用AI生成分镜和口播稿的实战流程，那个顺序能直接套过来用。

停顿写进稿子本身，逗号句号就是停顿指令；音画对位则要求口部动作只跟随人声，背景音乐等对口型完成后再铺回去。

老实讲，停顿是我最后才想通的一环。我最初在指令里写「适当停顿」「自然换气」，一点用没有——「适当」这两个字模型读不懂，它读得懂的是标点。把「每句不超过14字，句与句之间用逗号隔开」写死之后，停顿立刻稳了。对，就是这么玄：稿子的排版就是指令，指令反而不用写停顿。

音画对位同理。我的观察是，带着背景音乐跑对口型，嘴容易跟着节奏抢拍，鼓点一响，念词就往前赶。所以现在我的固定流程是：先拿干净人声跑唇形，生成完，在剪辑软件里把音乐和音效铺回去。一次到位，不用赌。

顺带说个跑题的事。为什么老播音员念稿都偏慢？因为中文的咬字需要时间，快了字头字腹就挤在一起。AI对口型面对的是同一个物理问题，你让它每分钟念280字，神仙也对不齐。说回来，这正好解释了为什么降速是所有修法里最优先的那个。

最后提一句边界：对口型只用在自有素材或已授权的素材上。拿别人的照片让嘴说没说过的话，性质就变了，这条线别碰。

回到开头的结论：可灵对口型提示词怎么写，核心不在形容词，在语音本身。稿子压到每分钟200字上下，停顿交给标点，音乐留到最后，三步做完再谈生成。我那条咖啡机口播，从翻车到交付只用了一晚上，方法就这么几条，剩下的就是照着排查。

按公开资料，文本驱动和音频驱动两条路都存在，我固定用上传音频，语气和断句可控。具体入口和格式限制以官方当前版本为准。

5到10秒、两三句话。先短后长，短素材把语速和停顿试对了，再上全长，省生成次数。

语气提示里加情绪词，比如「轻松、带一点笑意」；素材本身要选有微表情的正面镜头，一张面无表情的照片驱动不出活的脸。

我把「4K」改成「四K」、「30秒」写成「三十秒」之后好了很多。念不准的词换成好念的写法，比反复重生成省时间。

正面、光线均匀、嘴巴没被口罩或手挡住。侧脸和大角度仰头的画面，唇形误差会明显变大，先裁切再生成会好一些。