许先森Ai拆解AI口播讲解视频制作流程：先录音再让AI生成画面

以下是视频口播的自动转写，可能有错字。

哈喽，朋友们！目前这个账号20天的时间做到了858万的播放量，全网加起来已经超过了1500万。从写稿到画面都是我一个人加上 ai 做出来的。目前单条最高417万，有三条过了100万。这些爆款都是我用可闹的做出来的，没有人声，全靠画面。但大家问我最多的，反而不是他们怎么做的是上一期那条口播视频。

讲外部知识大赏是怎么做的？那条视频的播放量快37万了。评论区和私信里呢，一直有人问，说你这个口播视频是怎么做的？人声是怎么做的？为什么你这个字幕可以对这么齐？好，今天我就把口播这一套拆给你看。先说原理，其实就一句话：声音是整条视频的时钟。很多人做视频是先剪画面，再配音，然后一点一点去对。

我正好反过来。我是先有声音，再有画面。声音里第几秒在说什么，就是整条视频的时间表，字幕、画面全部都要跟着它走。你现在看的这条视频就是这么做出来的。然后我的完整流程大致呢可以分为三步。首先第一步，写稿。这个写稿一定是一个口播视频的重中之重。我不会让 ai 给我直接写一篇稿子。

我只会让他给我出个大纲，我这一期要讲什么东西。这个分几段，每一段讲什么。然后我照着每一条大纲，用自己的话，把自己的内容把它讲出来。所以你听到的每一句话都是我自己的想法，这个不是 ai 的想法。ai 只是帮我把这个思路理顺了。我觉得这一点很重要。

ai 写出来的稿子，观众一听就知道这个是不是 ai 写的。因为 ai 写的，它的 ai 味特别重，它是没有人味的。自己的经历、自己的看法以及你的思想，才是别人愿意听下去的一个理由。然后第二步，关于录音，很多人问我用的什么麦克风，我用的就是苹果手机自带的语音备忘录。

这个苹果手机一般都有，如果没有的，到应用商店里面去下一个就可以了。然后打开这个红色按钮，就可以直接开始录了。所以你听到的这个声音，不是 ai 配的。就是我自己用语音备忘录把它录下来的，没有用任何变声，也没有用 ai 克隆，我是一段一段录的。

一段话呢，就说那么4~5句话，或者5~6句话。为什么不一口气把它录完？因为一口气说几分钟，首先第一点，它非常容易卡壳。如果你说错了之后，又得从头再来。一段话就几分钟，说错了之后，你可以只录这一小段，相对来说压力会小很多。你还可以录完一段，你休息一下，你再录下一段。

最后你按照这个语音的顺序，1234567，把它排好。然后交给 ai。再就是录音的话，如果说你有这种领夹麦克风是最好的；如果说你没有领夹麦克风，这个也不要紧，你就用手机自带的这个收音系统直接去录，是一样的。但是你必须得找到一个安静的环境，如果你的环境稍微嘈杂一点，对这个声音一定是会有影响的。

然后第三步，也是最重要的一步，也是最花时间的一步，就是改。你录完了之后，你让 ai 帮你做视频，做完视频的过程中，你一定是需要去不断的修改的。所以说这个怎么做呢？你同样的，你不要让他帮你直接做整条，你就把你最开始录的那一段录音发给他，让他帮你做个样片出来。

你开始那个录音录的有15秒或者20秒，你都可以。你就发给他，让他帮你做这个15~20秒的样片。做完了之后你再看，你觉得哪里不对，你就直接说。特别是开始的十几秒，就定型了你这一整个视频的风格。所以首先你得选好你的风格。这个，比如说背景色不够高级，你直接给他说，把这个背景色改一下。

或者这个某个画面里面有各种各样的这种小标签，如果说你们用 ai 生成视频，你你们应该知道。他很容易做出一些画蛇添足的事情。这种事情就很容易降低你视频的一个质感。如果说你对风格拿捏不准，我给你们一个建议，这个也是我用的最多的一个方式。你让 ai 直接帮你做3版或者做5版不同的风格。

你到这个3版或者5版里面去选，选一版你喜欢的，一定是能找到你喜欢的东西，喜欢的风格选定了之后，你再根据这个风格去进行微调。这种是最好的，你靠自己想象，这个风格你很难想出来的。等这个风格定下来了之后，你再把你的整段录音全部给他，你让他帮你出整篇。

整篇出来之后，你再从头到尾的看一遍，把每个要改的地方一条一条记下来，哪一秒、哪个东西改成什么样子，最后你再一次性的发给他，再一起改。为什么要这个样子？因为样片只要几十秒就可以把它渲染出来，改起来非常快。如果你风格选的不对，你直接让他帮你去做整条的话，那改一次首先花的时间比较多。

再就是我一直比较认可的一个观点，它容易误导你的审美。如果说你审美选错了的话，你这个视频的流量你也会有影响的，是吧？所以说你最开始把你的审美一定要定好。然后我的上一期视频就是这个样子，我就反复改改了好几轮，我一行代码都没有写过的，但是每一处画面全部都是我盯着改出来的。

那做一条视频要多久？我大概可以给你算一下。我做的话大概是一个小时到一个半小时之间，录音的话大概要20分钟以内，然后 ai 帮我出样片，出样片大概10分钟左右，最后修改，改到我满意，这个得四五十分钟。这种工程量看起来不大，但是放到以前的话，这个起码一个人得干一天的活，到现在一个小时就可以把它做完。

说到这里，你可能会问，这个就纯粹的用 ai 去剪吗？这个不需要剪辑软件吗？说实话，我目前剪的一些视频，我从来没有用过剪辑软件了。ai 全部都可以帮你搞定，像什么剪映、pr 这些基本上都没什么用了。那些如果说你要剪口播视频，真人出镜的，那些可能可以用得上。

但是现在根据我的实验，这个真人出镜，你用 ai 剪，它也可以给你剪得很好。基本上你 ai 用的好的情况下，剪辑软件是用不上了的。像这个剪辑、字幕、动画、对齐声音，ai 全部都能用程序帮你干。现在的 ai 基本已经完全代替剪辑软件了，但是要注意一点，这个不是所有的 ai 都行。

你得用那种桌面办公的 ai 才可以。像我用的最多的就是 Claude Code，但是目前相对来说这个比较敏感。这个如果说你们不好用这个的话，国内的 deepseek 的 harless。或者字节的翠，腾讯的沃克巴迪，这个豆包的豆包工作，他们都能干，他们也都属于这一类。

好，说完了整个流程之后。回答大家问的最多的一个问题，为什么我的字幕可以对的这么齐？因为现在的 ai，它已经可以帮你实现字幕跟你的音频去完完全全对齐了。因为这个是代码驱动的，这个是没什么问题的。但是如果说你的 ai 没做好，我这边送你们三句话，把这三句话原封不动的发给 ai 就可以了。

首先，第一句：“帮我识别出录音里每一个字是第几秒说的。”注意，不是一整句话的时间，是每一个字。这个在专业上面叫做字幕打轴。然后，第二句：“按我说话的停顿切成短字幕，每句不要超过16个字。”也不要在词中间断开，听错的字呢就帮我改掉。比如我说许先生，他写成了许先生。

我说858万，他写成了大写的858万。像这些名字、数字、专业词，这些是容易搞错的。搞错了之后，你就一个一个的把它列一个清单，然后把它一次发给 ai，它一次就可以帮你把它改完。然后，第三句就是每个画面都绑在我说的某一句原话上，就像这条视频的开头，我说“858万”，数字就鼓了出来，说到哪，画面就到哪。

你可以倒回去看，是不是一个字都不差？好，记住这三句，你换上哪一个能写代码的 ai，它都可以帮你做。但是有部分的 ai，它听不了音频，听不了音频怎么办呢？那就可以让它帮你装一个开源的语音识别模型。这个模型叫做 whispr，这个模型是免费的，可以装到自己的电脑上面，就可以直接用。

如果说你不想装软件，剪映的识别字幕也可以用，但是这个剪映呢，它识别字幕文件导出的话要开会员。所以说我建议的话，把这个开源模型可以到本地去部署一个，也非常的轻量化。最后我说几个我踩过的坑，首先第一个，画面方面，画面方面如果说你有你的审美，你可以直接把你的图片甩给 ai。

让他照着这个审美去做，然后你给 ai 说。这个修改画面的话，你最好不要说画面做的高级一点，他听不懂这样的话语的。你要说具体一点，哪一秒，哪个东西改成什么样子。或者你到其他的视频里面去看，你喜欢的审美风格，你再截图发给他。这样是最好的。然后第二个就是每句话之间有一点停顿。

如果说你一句话跟一句话你间隔的太密了，有时候 ai 帮你剪，它都不太好剪。它的画面出来的时候，中间是需要时间的。就说你画面，比如说你说一个858万，你希望是一个字幕往上面滚动，什么400万、500万、600万往上面滚动。你这句话你就说完之后，你要停顿几秒钟，不然你一句话衔接一句话太密了的话，这个画面可能会挤成一团。

再就是用户看你的画面，ai 为了保证你每一句话都能对应上字幕，他这一句话停留的时间就非常短。然后第三个就是上来的话，别做一整条视频，整条渲染出来你不满意，很费时间的。这个我前面说过了的，再强调一遍，最好的是先做30秒。这个风格对了之后，再往下面做。

这个是跟你的审美有关系的，也不会误导你的审美，是吧？你如果说不知道风格怎么定，你让他直接帮你做5版30秒的开头，你到5版里面选1版，选了之后你再去渲染整片，这样是最好的。至于这种视频，我认为还是有一定的高级感的。以前做这样的视频，我认为是比较费劲的。

以前做这样的视频，你得打开剪辑软件，是吧？这个画面与这个下面的音轨，你得一个一个去调，特别麻烦。配音你要去搞，剪辑你要去搞，字幕你要去搞，你一个人做起码得花半天、花一天，甚至说你想把它做出特别高精度的视频，你得一个团队。但是现在……一个人，一台电脑，一个 ai 就够了。

最后呢，也希望大家都能够尽快的去拥抱 ai，学习 ai，让我们一起加油！