如何用AI做口播视频（低成本工作流）
口播视频三种做法成本对比：AI 配音、数字人与真人出镜，含文案模板与发布参数。
口播视频不一定要真人出镜。AI 配音配上画面素材和字幕，一台电脑就能出成片，成本基本只剩时间。这篇先把真人出镜、AI 配音、数字人三种做法的账算清楚，再给一套五步全流程，文案模板和发布参数都能直接抄。
三种做法，先算成本账
| 真人出镜 | 灯光、麦克风、镜头感练习 | 录制加重录，耗时不稳定 | 出镜门槛高，状态起伏影响产量 | AI 配音+画面 | 接近零 | 文案→配音→组画面，链路短 | 画面全靠素材和字幕撑，选题不行就很平 | 数字人 | 形象与声音定制 | 生成快，但口型和手势要反复调 | 表现力僵，观众一眼认得出来 |
各自适合谁：
AI 口播全流程五步
1. 写口播文案。 结构：一句钩子→三个信息点→一句行动引导。时长按每秒 5-6 字换算，60 秒口播对应 300-360 字；写超了删信息点，别赶语速。模板下一节单独给。
- AI 配音。 稿子丢进AI 配音工具。这一步的重点不是挑音色，是校对：断句按口播习惯补标点；多音字（"重新""行长"这类）容易读错，提前在稿子里换成不会错的写法；完整听一遍再导出。AI 配音翻车，基本都翻在没校对。
组画面。 零出镜的画面就三类：b-roll 空镜、图文卡（要点上屏）、录屏（教程类）。用无露脸成片工具按文案段落配画面，一段一个画面逻辑，别让一张图撑 20 秒。
上字幕。 很多人刷视频不开声音，口播没字幕等于白做。用自动字幕工具识别配音后逐句校一遍，专有名词和数字是错误高发区。样式记三条：字号够大、单屏不超两行、避开平台 UI 遮挡区（底部和右侧）。想先出字幕文本再单独调整，走视频字幕生成器。
封面与标题。 从成片里挑一帧信息量足的画面导出封面，加一行大字点题。标题别和封面文字重复：封面负责勾好奇，标题负责给信息。
口播文案模板（可直接抄）
骨架：钩子 1 句 → 信息点 3 个（每个先结论后展开，2-3 句）→ 行动引导 1 句。
自写示例（约 60 秒，工具教程类）：
做一条口播视频，用不着把剪辑软件学全。（钩子） 先说文案：写逐字稿，按每秒 5 个字控制时长，念不顺的句子当场拆短。 再说配音：多音字提前改写，断句手动标出来，别让 AI 一口气念完一整段。 最后是字幕：很多人静音刷视频，没字幕等于没做。 三步走完，一条能发的口播就有了。你卡在哪一步，评论区说说。（行动引导）
照这个骨架换选题就能批量写，但三个信息点必须是你筛过的干货——模板管结构，不管质量。
TikTok / Shorts / Reels 发布参数速查
规格只列平台公开规范，时长是经验建议：
| TikTok | 9:16（1080×1920） | 口播建议 45-90 秒起步 | 可选帧，并可加封面文字 | YouTube Shorts | 9:16（1080×1920） | 3 分钟以内按 Shorts 分发，以官方页面为准 | 从视频帧里选，不支持单独传图 | Instagram Reels | 9:16（1080×1920） | 以短为主，口播建议 90 秒内 | 可选帧，也可上传竖版封面图 |
同一条 9:16 成片可以三个平台通发，不用各做一版；需要按平台单独处理的只有封面和标题写法。
YouTube 非原创内容政策：做 AI 口播绕不开
2025 年 7 月起，YouTube 把变现政策里的"重复内容"更新为"非原创内容"（inauthentic content），针对的就是批量生成、模板化、缺少人工创意的内容，细则以官方页面为准。对 AI 口播的直接含义：AI 写稿、AI 配音、AI 拼画面、原样照发的纯量产内容，很难通过变现审核。
底线是把人工创意层留在自己手里：选题你来定、观点你来给、剪辑取舍你来做，AI 只承担执行环节。这条别抱侥幸——账号做起来之后再被取消变现，代价比一开始就做对大得多。本文也不做任何流量或收益承诺，政策和算法都会变，人工创意层才是你能攥在手里的确定项。
日更可持续吗？
AI 口播的产能瓶颈在文案和校对，不在渲染。可持续的做法是批处理：固定一天写完一周的稿子，配音和画面集中一批做完，字幕校对拆散到每天。这比"每天从零做一条"稳得多，也更容易守住质量线。与其追日更，不如定一个能连续跑 8 周的更新节奏。
解说类口播想往深做，完整流程见AI 视频解说怎么做；整条工具链怎么配，参考AI 视频剪辑工具总览。
常见问题
AI 配音听起来会不会很假？
机器感主要出在断句和多音字上。稿子按口语写、手动标停顿、多音字提前改写，能压掉明显的违和感。知识类口播的观众更在意信息本身，对音色的容忍度比想象中高。
不露脸的口播视频能变现吗？
能，但要过平台的原创性审核。以 YouTube 为例，2025 年 7 月更新的政策打击的是批量非原创，不是"用了 AI"；选题、观点、剪辑取舍由人来做，就还在规则之内。具体条款以平台官方页面为准，本文不做收益承诺。
一条 60 秒口播写多少字合适？
按每秒 5-6 字算，300-360 字。宁可 280 字讲透，也不要 400 字赶语速——语速一快，字幕和观众都跟不上。
三个平台要分别做三版视频吗？
不用。9:16 竖屏成片三个平台通发即可，需要单独处理的是封面（各平台选帧规则不同）和标题写法。先通发看数据，哪个平台起量，再为它做定制。
用 Recapo 做口播，素材有什么限制？
网页端直接上传，MP4、MOV 等常见格式都支持，单任务素材总量最大 6GB。配音、字幕、竖屏尺寸、封面导出在同一个工作台里完成，不用在几个软件之间倒文件。
这套流程里的配音、字幕、画面组织和封面导出，都能在 Recapo 的浏览器工作台里连着做完，不用装任何软件。注册一个账号，拿你下一条口播的稿子，把五步流程跑一遍。
