在 TikTok、Instagram Reels 與 YouTube Shorts 上製作虛擬人或數位口播影片，不能只滿足於產出一個生硬的「會說話的大頭貼」。社群閱聽眾在快節奏的動態牆中，兩秒內就會滑走明顯帶有塑膠感的 AI 影片。內容創作者與行銷團隊若想打造高轉換率的原生內容與 UGC 廣告，必須在兩大核心環節取得精準主導權：其一是利用高品質的自訂音訊確立真實自然的語氣與節奏，其二是針對行動裝置直向螢幕最佳化肖像構圖，確保人物表演不被平台介面遮蔽，亦不會因比例失衡產生破綻。
Hedra 提供了兩種核心製作途徑——既可在 Spaces 中透過對話式 AI Agent 協同推進，亦可在手動影片工具中直接調控模型參數。本文將深入解析如何匯入自訂音軌、如何最佳化 9:16 直向肖像構圖，以及如何在平台內完成社群短影音的剪輯與定案。
一、 準備與匯入自訂音訊音軌
在 Hedra 的口播生成流程中，音訊是「動態編導」的靈魂。模型會藉由分析音訊裡的音素、語調起伏與停頓間隔，來驅動唇形變化、眨眼頻率以及自然的頭部微動。音訊品質直接決定了嘴型同步（Lip-sync）的真實度與說服力。
音訊前期處理要領
- 人聲純淨度是關鍵： 請務必採用乾淨、無伴奏的純人聲錄音檔。若背景音樂、咖啡廳環境音或強烈殘響混入人聲軌，唇形生成引擎會誤將雜音判讀為語音音素，導致人物嘴部出現詭異顫動。若持有混合音訊，生成前務必先進行人聲伴奏分離。
- 保留自然呼吸與節奏停頓： 人類自然的言語在語句之間均有細微停頓。Hedra 的模型正需要這些間隙來演算自然的換氣起伏、挑眉與微幅點頭。除非製作節奏極快的 UGC 開場鉤子（Hook），否則切勿過度壓縮句間空白。
- 專有名詞與發音引導： 若使用外部 TTS 工具（如 ElevenLabs）或 Hedra 內建的 Speech 工具生成配音，遇有縮寫或品牌名稱時，建議拼寫出諧音，並妥善運用標點符號與斷行調節語氣。
匯入自訂音訊的兩種操作路徑
路徑 A：在 Spaces 中藉由 Agent 協同製作
- 開啟 Spaces，選取 presenter 或 ugc 技能啟動專案。
- 點擊 Add reference asset，上傳備妥的外部音訊檔案（支援 MP3、WAV、M4A 等格式）。
- 同步上傳作為視覺主體的人物肖像圖檔。
- 向 Agent 輸入具體的表演指引（例如：「請驅動此肖像配合上傳的音訊進行口播，展現熱情且具說服力的創作者風格，視線自然凝視鏡頭」）。
- Agent 會在畫布中生成候選預覽版本，並允許在保留既有資產的基礎上進行鎖定微調。
路徑 B：使用手動影片工具直接掌控參數
- 進入 Manual tools → Video，將模式切換為 Avatar。
- 開啟即時模型選擇器，依據影片長度與畫質需求挑選合適的口播模型（如 Hedra Avatar 或專用數位人模型）。
- 在提示詞欄位上方的參考面板中，將自訂音訊上傳至音訊參考位，並將肖像圖檔置於起始影格／影像參考位。
- 於提示詞框填入表情與姿態引導，設定輸出寬高比（Aspect Ratio）與解析度，點選 Generate 開始算圖。
長度管理技巧： 雖然 Hedra 的最新模型已支援長達數分鐘的長音訊輸入，但在短影音行銷情境下，建議將內容拆解為 15 至 30 秒的獨立片段分批生成。短片段不僅節省算力點數，還能在開場效果不如預期時，以極低成本針對開頭重新生成，並在剪輯時靈活抽換。
二、 最佳化 9:16 直向肖像構圖與介面安全區
構圖決定了虛擬口播人物看起來像真實的行動創作者，還是像生硬的數位剪影。社群平台直向全螢幕的版面配置，有著非常嚴苛的視覺焦點與介面遮擋限制。
最佳鏡頭尺寸：胸部以上中近景（Bust Shot）
製作口播影片最穩定的構圖配置是胸部以上的中近景（胸像）：
- 為何不宜使用大特寫？ 僅框住臉部的大特寫缺乏下頷運動的緩衝空間。當人物發出爆破音或張大嘴說話時，下巴極容易在畫面底部邊界產生撕裂或扭曲。
- 為何不宜使用全身或遠景？ 在手機螢幕上，全身構圖中的面部像素佔比過低，唇部開合、牙齒與眼神等細微神態會嚴重模糊，導致嘴型同步感大幅失真。
- 中近景的關鍵優勢： 涵蓋肩頸與鎖骨線條能為 AI 模型提供精確的骨骼力學支點，使角色在講話時呈現自然的側傾、體態重心配比與呼吸起伏，背景亦不易產生奇異的波紋擾動。
直向 UI 介面避讓與安全範圍配置
規劃 9:16 直向內容時，務必將主體置於介面安全區域內：
+-----------------------------------+
| 頂部 10-15%：淨空保留區 | <- 避開手機狀態列、搜尋欄與關注按鈕
| |
| +---------------------------+ |
| | | |
| | 眼神與臉部核心區 | | <- 位於縱向三分之一交界處（視覺中心）
| | | |
| +---------------------------+ |
| |
| 胸部與肩部輪廓 | <- 右側常駐點讚、留言、分享功能圖示
| |
| 底部 20-25%：避讓保留區 | <- 避開標題文字、帳號標籤與留言輸入框
+-----------------------------------+
- 眼神鎖定在中上方： 將人物雙眼定位在全螢幕垂直上方三分之一的黃金節點。手機用戶在滑動動態時，視線會直覺停留在螢幕上半部。
- 頭頂留白預留 10%–15%： 確保角色髮頂與畫面上緣保持適度緩衝。若頭頂直接緊貼邊框，人物抬頭或動態說話時發絲會被生硬截斷。
- 避開底部 20%–25% 遮蔽區： 嚴禁讓嘴部或下巴沉入螢幕下半部。TikTok、Reels 的作者帳號、說明文案、音訊標籤與進度條均會覆蓋於此，若嘴唇被遮擋將嚴重打擊續播率。
- 水平水平置中： 社群介面右側固定排列著點讚、留言、書籤與轉發按鈕，主體若向右偏移會被圖示遮蔽面部，因此人物臉部務必保持中央對齊。
肖像原始圖檔檢查清單
在提交算圖前，請逐一檢查人物素材是否符合標準：
- 光源均勻柔和： 避免強烈側光形成陰陽臉，亦不可有濃重唇部陰影，以利引擎準確辨識唇線。
- 完全無遮擋： 嘴部與雙眼絕對不可有任何遮蔽（如托腮手勢、麥克風緊貼嘴唇、配戴反光墨鏡或大面積瀏海覆蓋）。
- 水平視角拍攝： 保持與視線等高的平視拍攝角度，避免極端仰拍或俯視，以防模型生成頭部動作時發生透視破綻。
- 清晰度充足： 採用高解析度且無壓縮的 PNG 或 JPG，原始圖的模糊在經由擴散模型動態化後會被顯著放大。
三、 運用 Hedra Elements 鎖定角色一致性
行銷活動、矩陣經營與系列短影音最忌諱「每支影片換一張面孔」。如果每次僅靠文字提示詞重新生成肖像，角色的五官特徵、髮質與年齡感必定會漂移。
Hedra 內建的 Elements 功能可完美解決角色連貫性問題：
- 前往 Library → Elements，點選 Create element。
- 上傳該角色在不同光線與角度下的高畫質參考圖（最多可上傳 10 張）。
- 將類別指定為 Character，並設定專屬標籤（例如
@BrandSpokesperson）。 - 在未來的 Space 指令或手動影片提示詞中，直接標註
@BrandSpokesperson並搭配新的自訂音訊即可。
這能確保角色在外觀、服裝風格與品牌調性上跨多集內容皆保持嚴謹一致。
四、 在 Composer 中組裝剪輯完整成片
單一生成的虛擬人片段通常只是毛片。想在社群媒體上維持高完播率，必須倚賴緊湊的影音節奏編排。
透過 Hedra 內建的時間線剪輯工具 Composer（Manual tools → Edit Video），無須切換第三方軟體即可完成輸出：
- 載入生成片段： 將算好的 9:16 口播短影音片段排入軌道。
- 修剪拖沓節奏： 裁切語句首尾不必要的靜止格，確保開頭 1.5 秒即帶出核心話題點。
- 分軌配搭襯底音樂： 在獨立音軌置入輕快 BGM，音量壓制在 -18 dB 至 -24 dB，強化情緒節奏同時確保人聲乾淨突出。
- 混剪輔助空鏡與產品畫面（B-Roll）： 運用子母畫面或直接跳切，每隔 3 到 5 秒插入產品細節、螢幕錄影或動態標題，破除單一說話鏡頭的沉悶感。
- 最終匯出： 選擇 1080p 直向規格算圖輸出，即可直接上傳至各主流社群平台。
製作流程與實戰核心速查表
| 製作環節 | 關鍵標準與最佳做法 | 常見失誤與防範措施 |
|---|---|---|
| 音訊準備 | 純淨無雜音乾音，保留自然對話停頓與呼吸節奏。 | 混入重低音背景音樂或回音，引發嘴型異常跳動。 |
| 匯入方式 | 追求精確參數選 Avatar 手動模式；著重概念發想選 Spaces Agent。 | 音訊長度超出所選模型的單次算圖限制。 |
| 鏡頭景別 | 9:16 胸部以上中近景，頭頂預留 10%–15% 安全留白。 | 特寫過緊裁切下巴，或遠景過小導致五官神態失焦。 |
| 介面避讓 | 臉部置於垂直上方三分之一中心，下半部 25% 空間留空。 | 核心口型與表情被社群標題文案與右側按鈕群掩蓋。 |
| 後期後製 | 在 Composer 中修整無效空白、襯底音軌混音並穿插 B-Roll。 | 採用單一鏡頭一鏡到底，缺乏視覺跳動導致流失率過高。 |
只要掌握純淨的音訊輸入標準與嚴謹的直向構圖法則，創作者與行銷人員即可在 Hedra 中建立可擴展、高效率且具備專業水準的社群影音產製管線。