采访体话外音:不对口型,但时间轴严格对齐

入口怎么分流

下单的东西(payload)里多一个可选的结构化台词字段。有它,走采访体;没有它,和今天一模一样。老模板、老单、存量行为零影响。

关键取舍:分流只发生在入口一处,老路径整块代码不碰。新模式出问题最多影响采访体订单,伤不到存量口播。

新字段长这样(和 hook 广告线已有的台词形状同构,上游好实现):

// 采访体下单(新,可选)
"shots": [{
  "scene": "冰场边的采访角,Kamila 坐在镜头前",
  "lines": [
    {"speaker": "vo",     "line_ru": "Камила, как вы это делаете?"},   // 记者,画外
    {"speaker": "kamila", "line_ru": "Честно говоря, всё просто..."},  // 本人,对口型
    {"speaker": "vo",     "line_ru": "..."},
    {"speaker": "kamila", "line_ru": "..."}
  ]
}]

// 老口播下单(完全不变)
"shots": [{ "scene": "...", "dialogue_ru": "整段平文本..." }]

时间轴怎么对齐 —— 一个钟推三条轨

你点的核心:话外音不对口型,但时间必须准。做法是延续这条线验证过的铁律 ——声音是主时钟。每段台词先做 TTS(她的声线 / 记者声线),量出真实时长,按顺序累加(段间留 0.4s 换气),这就是唯一的时间轴。音轨、画面、字幕三条轨都从同一个钟上取偏移,对齐是结构保证的,不存在"拼完再对"。

看虚线:话外音第二问的起点 12.6s,在音轨、画面、字幕三条轨上是同一个数——因为它们都是从"前面各段实测时长 + 换气间隔"累加出来的,不是三条轨各算各的。口型崩那次的教训(duration 写死 ≠ TTS 时长)在这里天然不会复发。

话外音段的画面怎么拍

• 还是同一张确认首帧起画面:她在镜头前安静地听——闭嘴、轻点头、眼神跟着问题走,自然反应。
• 不传参考音频、不跑对口型:提示词里没有台词,模型不会让她张嘴;记者的声音是后期铺在音轨上的,和画面无耦合。
• Seedance 最短一窗 5 秒;记者的问题常常只有两三秒 → 生成 5 秒、代码里精裁到实际时长。没有口型要保,裁了无损(和 hook 线 v8 已验证的代码精裁同一招)。
• 她本人的段落:现有路径原样——Fish 参考音频进 Seedance、lipsync 锚定 Fish、超 15s 照旧切窗。

动什么,不动什么

验收和发布路径

• recipe 新 revision + workflow 更新只发 test,prod 不动。
• 联调真单跑两种模式:一单采访体(问-答-问-答)+ 一单老平文本(证零回归),双侧第一手互证(帧、音轨偏移、SRT 时间码)。
• 验收硬指标:话外音起点偏移在音轨/画面/字幕三处一致(±0.1s);话外音段她全程闭嘴;她本人段口型质量不低于现线上。
• 都绿了拿证据来找你,prod 切换等你 GO(tag-move 一条,回滚位自动保留)。