在 TikTok、Instagram Reels 和 YouTube Shorts 上制作数字人或虚拟口播视频，不能只是简单生成一个生硬的“会说话的头像”。观众在快节奏的信息流中，两秒内就会划走明显带有塑料感的 AI 视频。内容创作者和营销团队要想制作高转化率的日常内容和 UGC 效果广告，必须在两个关键环节建立精准控制：一是利用高质量的自定义音频赋予视频真实自然的音色与节奏，二是针对移动端竖屏优化肖像构图，避免人物表现被平台界面遮挡或因比例失调产生破绽。
Hedra 提供了两种核心制作路径——既可以在 Spaces 中通过对话式 AI Agent 协作推进，也可以在手动视频工具中直接控制模型参数。本文将拆解如何导入自定义音频音轨、如何优化 9:16 竖屏肖像构图，以及如何在平台内完成社交视频的剪辑与定稿。
一、 准备与导入自定义音频音轨
在 Hedra 的口播生成管线中，音频扮演着“动作编导”的角色。模型会通过分析音频中的音素、语气强弱以及停顿间隔，来驱动嘴型变化、眨眼频率以及自然的头部微仰动作。音频质量直接决定了口型同步（Lip-sync）的真实度。
音频前期准备准则
- 人声纯净度至关重要： 务必使用干净、干音的语音文件。若背景音乐、嘈杂的环境声或严重的空间回音混入人声轨，口型驱动引擎会将环境声波误识别为发音动作，导致人物嘴部异常颤动。如有混合音轨，生成前应先进行人声伴奏分离。
- 保留自然呼吸与停顿： 自然的人类说话会在句子之间有微小停顿。Hedra 的模型正需要这些间隙来渲染自然的换气起伏、挑眉和微点头。除非制作超快节奏的 UGC 爆款开头，否则不要过度压缩句间静音。
- 专有名词与发音节奏： 若使用外部 TTS 工具（如 ElevenLabs）或 Hedra 内置的 Speech 工具生成语音，遇到缩写词或品牌名建议拼写出发音，并合理使用标点与换行引导节奏。
导入自定义音频的两种操作方式
方式 A：在 Spaces 中借助 Agent 协作制作
- 打开 Spaces，使用 presenter 或 ugc 技能启动工作流。
- 点击 Add reference asset，上传准备好的外部音频文件（支持 MP3、WAV、M4A 等常见格式）。
- 同时上传用作视觉主体的人物肖像图片。
- 向 Agent 输入明确的表演指令（例如：“驱动此肖像根据上传的音频进行口播，保持亲切且有说服力的创作者语气，眼神自然注视镜头”）。
- Agent 会在画布中生成预览版本，并支持在保留已有资产的前提下进行微调迭代。
方式 B：使用手动视频工具直接控制参数
- 进入 Manual tools → Video，将模式切换至 Avatar。
- 打开实时模型选择器，根据生成时长与清晰度需求选择适配的口播模型（如 Hedra Avatar 或专用数字人模型）。
- 在提示词输入框上方的参考面板中，将自定义音频上传至音频参考位，并将肖像图片上传至起始关键帧/图像参考位。
- 在提示词栏输入动作与情绪提示，设定目标画幅比例（Aspect Ratio）与分辨率，点击 Generate 开始渲染。
时长管理建议： 尽管 Hedra 的新一代长视频模型已支持长达数分钟的音频输入，但在社交短视频创作中，建议优先拆分成 15 至 30 秒的独立片段进行分段渲染。短片段不仅节省算力额度，而且在开篇钩子（Hook）效果不佳时，可以低成本针对性重新生成，并在后期剪辑中灵活替换。
二、 优化 9:16 竖屏肖像构图与界面避让
构图决定了数字人看起来像真实的手机创作者，还是像拙劣的贴纸抠图。社交平台的竖屏全屏环境有着特殊的视线焦点与界面遮挡规则。
最佳景别：胸部以上中近景（Bust Shot）
制作口播视频最稳妥的构图是胸部以上的中近景（胸像）：
- 为何不宜使用大特写？ 仅包含面部的大特写缺乏颌部活动空间。当人物说话大幅张嘴或发爆破音时，下巴极易与画面底部边缘产生裁切变形。
- 为何不宜使用全身或中景？ 在手机屏幕上，全身画面中的面部像素占比过低，嘴型开合、牙齿细节和眼神交互会变得模糊，导致口型同步感大幅下降。
- 中近景的天然优势： 包含颈部与双肩轮廓为 AI 模型提供了人体力学锚点，使人物在说话时能自然呈现倾斜、转体与胸腔起伏，而背景不易发生奇怪的波纹扭曲。
竖屏 UI 避让与安全区域设计
制作 9:16 竖屏内容时，必须将人物核心区域放置在安全操作区内：
+-----------------------------------+
| 顶部 10-15%：留白区 | <- 避开手机状态栏、搜索栏与关注按钮
| |
| +---------------------------+ |
| | | |
| | 眼睛与面部核心区 | | <- 位于上三分之一交界处（视觉中心）
| | | |
| +---------------------------+ |
| |
| 胸部与双肩区域 | <- 右侧为点赞、评论、分享交互图标
| |
| 底部 20-25%：避让区 | <- 避开文案标题、作者账号与评论输入框
+-----------------------------------+
- 视线落在中上方： 将人物双眼置于屏幕纵向三分之一偏下的黄金位置。手机用户滑动信息流时，视线天然聚焦在屏幕上半区。
- 顶部留白预留 10%–15%： 确保人物发顶与画面上边缘留出缓冲空间。若头顶紧贴边缘，人物抬头或说话晃动时发丝容易被生硬切除。
- 避让底部 20%–25% 界面区： 严禁让口部或下巴掉入屏幕下部。TikTok、Reels 的作者名、长文案、音乐标签和进度条会直接覆盖在这一区域，遮挡口型严重影响完播率。
- 横向居中居中构图： 社交媒体右侧常年驻留点赞、评论、收藏与转发竖条，人物若偏向右侧会被图标遮挡面部，因此人物面部必须严格居中。
肖像原图质量检查清单
在提交生成前，仔细核对人物原图是否满足以下条件：
- 布光均匀： 面部光线柔和对称，避免出现阴阳脸或嘴部浓重阴影，否则会干扰口型捕捉。
- 无遮挡物： 嘴唇和眼部不得有任何遮挡（如手托下巴、麦克风贴嘴、戴深色墨镜或大面积乱发挡脸）。
- 平视机位： 保持与视线齐平的拍摄角度，避免极端仰拍或俯拍，防止 AI 模拟头部动作时发生透视崩坏。
- 画质锐利： 采用无压缩的高清 PNG 或 JPG 文件，原图的模糊会被 AI 模型在运动过程中成倍放大。
三、 使用 Hedra Elements 保持人设一致性
品牌营销、矩阵账号和系列专题最忌讳“每一期换一张脸”。如果每次仅靠文本提示词生成肖像，人物的五官、发型与年龄感不可避免地会漂移。
Hedra 提供了 Elements 功能来固定数字人资产：
- 访问 Library → Elements，点击 Create element。
- 上传该人物在不同光线和微表情下的优质参考图（最多支持 10 张）。
- 将类型设置为 Character，并为其赋予固定的调用标签（如
@BrandSpokesperson）。 - 在后续的 Space 对话或手动视频提示词中，只需键入
@BrandSpokesperson并关联新的自定义音频即可。
这种方式可以在不同剧本、音频和营销周期内，牢牢锁住统一的主播外观与品牌调性。
四、 在 Composer 中组装与剪辑出片
单段生成的口播视频往往只是原材料。要想在社交媒体上保持高完播率，必须依靠快节奏的视听编排。
借助 Hedra 内置的剪辑时间线 Composer（Manual tools → Edit Video），无需导出至第三方软件即可完成成品组装：
- 拖入生成片段： 将渲染完成的 9:16 口播切片排入时间线。
- 精修停顿节奏： 裁掉句首句尾多余的静止帧，确保视频前 1.5 秒直接进入核心钩子。
- 分轨添加背景音乐： 在独立音轨中加入轻快 BGM，音量压至 -18 dB 到 -24 dB，烘托氛围的同时确保人声清晰可辨。
- 混剪空镜与产品画面（B-Roll）： 采用画中画或直接切镜，每隔 3 到 5 秒插入产品细节特写、操作录屏或动态标题，打破单一头部的视觉疲劳。
- 最终导出： 选择 1080p 竖屏格式导出完整视频，即可直接分发至各大社媒平台。
制作流程与核心考点速查表
| 环节 | 关键标准与最佳实践 | 常见失误与排查 |
|---|---|---|
| 音频准备 | 纯净人声干音，保留自然语速与呼吸间隙。 | 人声夹杂强背景音或杂音，导致嘴部非正常颤抖。 |
| 导入方式 | 精准控制选 Avatar 手动模式；概念构思选 Spaces Agent。 | 传入音频时长超出所选模型单次运行上限。 |
| 景别构图 | 9:16 胸部以上中近景，头顶预留 10%–15% 留白。 | 特写过紧导致下巴出画，或远景导致五官模糊。 |
| 界面安全区 | 面部处于屏幕上三分之一中心，下巴远离底部 25% 覆盖区。 | 核心口播表情被平台文字标签与点赞列遮挡。 |
| 后期成片 | 在 Composer 中修剪无效空白、铺设垫底音轨并混剪 B-Roll。 | 简单单镜头一镜到底，缺乏视觉节奏导致跳出率高。 |
通过纯净的自备音频输入与严谨的竖屏景别把控，创作者和出海营销团队可以在 Hedra 中高效跑通从脚本音频到成品爆款视频的工业化生产流程。