语音识别正确不等于配音合格。角色是否有性别感、年龄感、情绪和场景关系,需要靠参考音、逐句生成和真实试听共同判断。
一、先确定角色声音资产
每个主要角色应有稳定的参考音。参考音需要干净、无背景音乐、语速自然,并覆盖该角色的基本情绪范围。同一角色不要频繁更换参考音,否则跨集会像换演员。
二、逐句生成并保留上下文
台词按镜头生成便于返工,但情绪指令必须来自完整场景。生成后检查语速、重音、停顿、哭笑和呼吸是否与剧情一致。只检查文字是否识别正确,会漏掉机械朗读和错误情绪。
三、字幕跟随最终音轨
字幕时间轴必须基于最终配音重新识别或强制对齐。脚本里的估算时间不能直接作为成片字幕时间。字幕行数和单行长度要适配竖屏阅读。
四、区分台词字幕和画面乱码
视频模型偶尔会在画面中生成不可控文字。验收时要区分正常烧录台词与模型乱码,乱码应从提示词、参考图和模型选择源头解决,避免用大面积遮挡掩盖问题。
五、响度与终检
成片统一响度,避免不同镜头忽大忽小。终检同时检查人声可懂度、背景声、字幕与语音一致性、音画同步和峰值失真。最后仍需完整试听,而不是只看检测报告。