Captions AI 口播视频教程：从脚本、录制到字幕、B-roll 与发布审核

这篇教程会完成什么

这篇教程用一条 45 到 90 秒的口播视频走完 Captions 工作流：从脚本、录制、AI 初剪、字幕、B-roll、音乐和眼神修正，到人工复核、导出和发布。目标不是追求“一键爆款”，而是建立一个能重复执行、能控制风险的生产流程。

Captions 可以自动完成许多机械后期，但它不知道你的事实来源、品牌边界、客户授权和平台规则。最稳妥的分工是：AI 负责粗剪与包装，人负责内容、授权、审美和最终发布。

开始前需要准备

准备以下材料：

• 一条 120 到 220 字的口播脚本；
• 安静环境下录制的竖屏或横屏原片；
• 品牌名称、产品术语和不能写错的数字清单；
• 已授权的图片、产品画面或 B-roll；
• 目标平台、视频比例、时长和唯一行动号召；
• 出镜人、声音、客户案例与背景人物的授权证明。

如果要创建 AI Twin、自定义 avatar 或声音克隆，还需要本人明确同意。团队最好用书面表格记录授权范围、使用期限、允许的平台以及撤回方式。

第一步：把脚本写成可剪辑结构

不要直接把一段长文当口播稿。将脚本拆成四部分：

1. 钩子：前 2 到 4 秒说明问题或结果。
2. 背景：一句话交代为什么值得继续看。
3. 主体：最多三个信息点，每个点只解决一个问题。
4. 行动号召：要求观众做一件具体的事。

例如，不要写“今天给大家介绍一个非常强大的 AI 视频工具，它有很多令人惊艳的功能”。可以改成：“一段 60 秒口播，字幕、B-roll 和音乐能不能在十分钟内完成？我用 Captions 跑一遍真实流程。”

在脚本旁边标记品牌名、金额、日期、产品规格和外语词。这些是字幕最容易出错的地方，后面需要逐项核对。

第二步：录制干净母片

AI 能修掉部分停顿和噪声，但录制质量仍然决定上限。

• 镜头与眼睛尽量同高，避免严重俯拍或仰拍。
• 使用稳定光线，避免窗外亮度在录制过程中不断变化。
• 麦克风靠近说话者，宁可环境简单，也不要让降噪承担全部工作。
• 每句话之间留半秒到一秒空隙，方便自动识别剪切点。
• 说错时停一下，从整句开头重说，不要立刻接着补几个字。
• 重要数字和名称放慢速度，减少转录错误。
• 拍摄前关闭手机通知，并检查背景是否出现客户信息、屏幕密码或其他人的脸。

保存未经处理的原始文件。不要只保留 AI 导出的版本，因为后续可能需要恢复被误删的语气或重新做字幕。

第三步：导入 Captions 并创建第一版

在 Captions 手机端或网页端创建项目，导入原片。第一次不要同时开启所有生成能力，先完成基础版本：

1. 选择与目标平台一致的比例。
2. 运行自动字幕与基础剪切。
3. 选择一个相对克制的 AI Edit style。
4. 生成第一版后从头到尾观看一次。
5. 记录明显问题，不要边看边反复生成。

第一次完整观看时只判断三个问题：开头是否足够快、主体是否连贯、结尾是否明确。若脚本结构有问题，先修改内容，不要用更多特效掩盖。

第四步：检查自动剪切

AI 常见的剪切错误包括：

• 把必要的前提删掉，只保留结论；
• 在一句话中间切断呼吸，听起来不自然；
• 删除停顿时让两句语音贴得太紧；
• 把纠正错误的第二遍也删除；
• 为追求快节奏，把严肃内容剪得过于娱乐化。

逐段比较原片和初剪。涉及数字、引用、产品承诺和客户案例时，要确认上下文完整。需要强调可信度的内容可以保留短暂停顿，不必追求每秒都有变化。

第五步：校对字幕

字幕不是装饰，而是信息层。按以下顺序检查：

1. 事实：数字、日期、人名、公司名和专业术语。
2. 断句：一行不要同时塞入两个不同意思。
3. 强调：高亮词是否真的是句子重点。
4. 安全区域：不要被平台按钮、头像或说明文字遮挡。
5. 可读性：背景复杂时需要对比度，不能只追求炫酷字体。
6. 一致性：标点、大小写和品牌写法保持统一。

中文口播尤其要注意中英文混排、数字单位、同音词和专有名词。如果 Captions 自动字幕识别不稳定，可以先准备术语清单，再逐项搜索和替换。

第六步：审查 B-roll、音乐和音效

AI 生成或选择的 B-roll 只要“看起来相关”，不代表它真的支持论点。每一个补充画面都要问：

• 是否与当前句子的具体含义一致？
• 是否可能误导产品功能或使用场景？
• 是否出现未经授权的品牌、人物或版权素材？
• 是否遮挡了需要看清的产品界面？
• 是否让本来严肃的内容显得夸张？

音乐音量应低于人声，开头和结尾不要突然切断。医疗、金融、法律和安全内容应减少戏剧化音效，避免让观众误解风险程度。

第七步：谨慎使用眼神修正和降噪

眼神修正适合轻微偏离镜头的口播，但不能补救完全照着旁边屏幕念稿。效果过强时，眼睛可能显得僵硬或与头部运动不一致。打开后要重点查看眨眼、转头和快速移动的片段。

降噪也不应拉到最大。过度处理会让声音发闷、出现水下感或削弱辅音。最好戴耳机比较原声和处理版本，并在手机扬声器上再听一次。

第八步：需要时再使用 AI Twin 或 avatar

如果不方便频繁出镜，可以创建 AI Twin 或选择 avatar。但在生成前先确认：

• 你是否拥有这个人的脸和声音授权；
• 脚本是否可能被理解为真人亲自说过；
• 是否需要标注为合成内容；
• 团队成员离职后是否仍可继续使用；
• 原始训练素材和生成结果如何删除；
• 企业合同是否提供训练排除和数据保留控制。

数字分身适合重复性产品更新、基础教程和多语言版本，不适合伪造客户评价、制造虚假新闻或替代高信任场景中的真实负责人。

第九步：制作翻译版本

Captions 支持 100 多种语言的字幕或配音，也能调整口型。实际工作流应是：

1. 先把原语言版本确认到最终状态。
2. 冻结品牌名、产品名、链接和不能翻译的词。
3. 创建一个目标语言版本。
4. 由熟悉目标市场的人校对脚本。
5. 检查字幕长度、配音节奏和口型。
6. 先发布一个市场并收集反馈，再批量扩展。

不要同时生成十种语言后才发现原脚本有事实错误。翻译自然度也不能只靠“听起来像母语”判断，尤其是法律、医疗、金融和价格信息。

第十步：做发布前人工检查

建立一个固定清单：

• 内容结论与原脚本一致；
• 数字、姓名、链接和产品功能准确；
• 字幕没有错字或遮挡；
• B-roll 与当前语句相关；
• 音乐、图片和视频素材允许商业使用；
• 出镜人与声音授权完整；
• AI Twin、avatar 或合成片段按要求标注；
• 没有泄露客户数据、内部界面或个人信息；
• 视频比例、封面和行动号召适合目标平台；
• 已保存原片、项目版本和最终导出文件。

只有全部通过后再发布。企业团队可以要求内容负责人和品牌负责人分别确认，降低同一个人既制作又审核造成的遗漏。

价格和 credits 怎么控制

Captions 免费版适合验证基础编辑和字幕。需要 AI Edit、数字分身和生成式素材时，通常要使用 Max 或 Scale。

Max 当前为 24.99 美元/月，含 500 credits；Scale 从 69.99 美元/月、1,400 credits 起。官网说明这些是 iOS 方案，其他渠道和地区价格可能不同。credits 消耗取决于模型、视频长度和任务，因此建议建立一张简单记录表：

日期	视频时长	使用功能	生成次数	credits 消耗	可用版本数	人工修改时间

连续记录一周后再升级。真正值得关注的是每条可发布视频的总成本，而不是单次生成看起来有多快。

常见错误与解决办法

字幕准确但阅读很累

减少每屏字数，按意思断句，避免同时使用太多颜色和动画。先保证移动端可读，再考虑视觉风格。

B-roll 很漂亮但不相关

删除泛化素材，换成真实产品界面、手部操作或经过授权的案例画面。没有合适素材时，宁可保留真人镜头。

剪辑节奏过快

恢复必要停顿，减少无意义缩放和转场。教育、B2B 和高信任内容不必模仿娱乐短视频节奏。

中文品牌名被识别错

在导入前准备术语清单，字幕生成后搜索所有品牌、数字和外语词，不要只从头顺着看一遍。

credits 消耗比预期高

先锁定脚本和基础剪辑，再做一次最终生成。不要在脚本未确定时不断切换高成本模型和风格。

数字人看起来不自然

缩短句子，加入自然停顿，避免复杂情绪和过长段落。若高信任场景仍显得僵硬，改用真人出镜。

什么时候应该换别的工具

• 需要逐句精修长访谈、播客和多人对话：选择 Descript。
• 需要企业级数字人、培训、SSO 和 SCORM：评估 HeyGen。
• 需要复杂多机位、调色和声音设计：使用 Premiere Pro 或 DaVinci Resolve。
• 需要品牌模板、封面和跨岗位协作：搭配 Canva。
• 素材不能离开本地或合同禁止云端处理：选择符合内部安全要求的本地工作流。

最终工作流

一条可靠的 Captions 口播视频应该经过“脚本结构化—授权确认—干净录制—AI 初剪—字幕与 B-roll 校对—声音和眼神检查—发布前审批—成本复盘”。只要保留人工审核点，Captions 能明显减少重复后期；如果跳过这些检查，速度越快，错误也可能越快被放大。