批量数字人的返工，多数在提交之前就已埋下：文案没按口播节奏断句，专名写错，音频时长和画面预期不一致。生成后再一条条修，花的时间远多于提交前检查。要减少返工，提交前做好四件事：文案按说话方式写，专名两人核对，音频做三项对齐，每条模特视频对应的音频或文案写明白。
文案按说话的方式写
断句：把书面文案拆成口语节拍。长句拆短，堆在一起的定语拆开，每句只讲一个信息点。判断标准是人会怎么说这句话，而不是语法是否通顺。
语气词：“嗯”“然后”少量用可以显得自然，用多了像结巴。写完通读一遍，删掉不影响语气的虚词。
数字、单位和缩写：按希望读出来的样子写，例如“五十毫升”“三个月”。生僻缩写直接写全称。写好后在预览里听一遍，确认读法正确。
专名：药品名、成分名、品牌名先查标准写法，再请第二个人复核。专名写错的成片不能放行，提交前双人核对是代价最低的检查。
用文稿匹配避免专名被改错
大健康等品类的冷门药名、病症名，容易在字幕识别时被改错。批量数字人有文稿匹配开关（2026 年 8 月收录），打开后字幕按输入文稿保持一致，减少专名被识别改错。入口以当前界面为准。
文稿匹配只保证字幕跟输入一致。输入写错了，字幕也会照错，所以专名仍要在输入时写准。
音频准备做三项对齐
口播音频有三种来源：从已有成片提取，上传本地录音，或者输入文案直接生成配音。无论用哪种，提交前都做三项对齐：
- 时长：音频时长和画面预期一致。三十秒的脚本不要配四十秒的录音，否则只能裁内容或重录。
- 音量：同一批音频的响度统一，避免成片之间忽大忽小。
- 风格：同一批使用相同的录音环境和话筒。音色的细微差别，观众听得出来不是一次录的。
需要统一音色、批量保持一致时，用文案直接生成。已有现成录音或想保留成片原声时，提取复用。多人提供音频时，先定录音规范（设备、环境、响度、格式），交稿时按规范验收；同一批尽量由同一人录制。
每条音频和对应的模特视频要明确配对，可以使用配对模式，再提交。混在一起提交后，哪条音频配了哪次生成就对不上了，返工时连问题出在哪条都难找。
提交前逐项自查
- 断句：自己读一遍，读着拗口的地方，生成出来也会拗口。
- 专名：已双人核对。
- 时长：音频时长和脚本预期大致一致。读稿时顺便计时，读超时的文案生成后也会超时。
- 批内一致：音量、音色、风格统一。
- 对应关系：每条音频或文案与模特视频的配对明确，文件名对得上。
把检查项放进需求单模板
规范写在文档里容易被忘记，放进需求单模板才能一直执行。把断句示例、专名核对栏、时长校验做成模板字段，写文案的人按模板填写，提交前就能逐项核对。新人按模板操作也知道哪些信息必须确认，成片质量仍要靠预览和复核把关。
文案类型也写进需求单，排产时按模特视频的情绪档案配对，文案准备和模特匹配可以一次完成。
每批的返工原因随手记一笔：专名错、断句怪、时长不配、音量跳。积累一个月，就能看出团队最常出错的地方，据此补充模板字段。改进前后各记一个月的返工原因分布。如果返工没有减少，说明新增的检查没有抓到主要问题，需要重新调整。