原则（一句话）#

做语音 + 画面 + 字幕同步的内容时，时间轴从合成音频反推，不预设。

为什么#

橘鸦的做法：

AI 根据正文生成口播稿，口播稿本身按新闻事件分段，在合成语音时，会额外再按标点符号拆分句子，每个短句作为一个请求，通过计算每一个合成音频的时长，就可以确定下来整个视频的时间轴。

为什么这么干？因为 TTS 合成音频的实际时长永远和预估不一致（语速、停顿、语气）。预设时间轴 = 画面和字幕永远对不上口播。

倒推法：先把每句真实时长拿到，加起来就是总时长。所有视觉元素挂在真实时间轴上，而不是猜出来的时间轴上。

这套思路优雅在 —— 合成即定义。音频合成的过程就是时间轴定义的过程，没二次劳动。

何时调用#

• 视频脚本 + 配音同步
• 字幕文件生成
• 任何”语音流驱动视觉流”的场景
  • 数字人 / 虚拟主播
  • 播客 + 字幕
  • 视障辅助音轨 + 文字层
  • 互动文游的 NPC 对话

怎么做（流程）#

1
口播稿（带标点的完整文本）
2
  ↓
3
按标点拆短句（句号 / 问号 / 感叹 / 段落）
4
  ↓
5
每句独立 TTS 请求 → 收集每个合成音频的真实时长
6
  ↓
7
累加 = 总时长（这就是视频的总长度，不预设）
8
  ↓
9
根据真实时长映射：
10
  ├─ 字幕时间戳（SRT）
11
  ├─ 画面切换点
12
  ├─ 转场音
13
  └─ 进度条 / 高潮区
14
  ↓
15
最终合成

关键决策：

反例 / 边界#

• 配音稿反复大幅修改时，时间轴要全量重算（缓存失效）
• 多人配音 + 不同音色，长度差异可能让节奏散——> 需要在 prompt 层统一风格
• 实时互动场景（直播）——> 没有”稿件”，需要降级为节拍卡尺

关联原则#

• 02-Workflow编排：TTS 任务拆短句是「窄 AI + 宽人工」里窄 AI 的典型
• 04-跨平台分发：视频载体是分发第三档的入口；时间轴法让多平台视频分发变得可控