视频解说原声和旁白怎么搭配：逐段决定谁来出声
Video Recap Skills · 更新于 2026-10-15
让真正承载事件的声音先说话：完整原话、开关声和有意义的等待，由它们自己交代，旁白不再复述。需要背景时，只说有依据、观众此刻确实需要的部分。下面的原创收音机示例先分五拍，再比较缩短一句背景和整段去掉旁白两种改法：缩句时保住“没舍得换”的原意，剪辑时保住开关后没有响应的那段等待。少写旁白时，台词字幕照常保留，删掉的只是多余解释。示例全程停在文字方案，配音与混音在之后的阶段完成。
开始之前
操作步骤
- 先给每拍一个主要声音职责 在
visual_audio_board.json中，用audio_owner指明主要承载信息的是原声对白original_dialogue、动作声action_sound、环境声ambience、音乐music、沉默silence，还是旁白narration。这是编导决定，按每拍需要选用即可。本例保留顾客的原话和收音机第一次响起的声音，让它们自己交代。 - 只写旁白真正增加的信息
narration_job可以是背景context、因果连接causal_link、伏笔foreshadow、有依据的解释interpretation、过渡transition或不需要旁白none。本例“搬家时没舍得换”来自创作者提供的背景，画面里看不出；缩句时仍要保住这项意思。“没钱换”虽短，却换成了未提供的经济原因。若决定不再明说这段背景，要写明观众因此少知道了什么；原声只交代了其中一部分。 - 把完整句子、动作和停顿一起留下 留下整句原话、说话的表演和引发的反应。拨开关后没有响应，要给观众时间听出那个等待；只留咔嗒便跳到后面的杂音，剪掉的是观众理解变化所需的过程。
silence标的是这一拍由停顿主导，原片声音照常保留。旁白按每拍需要来写；其他声音已完成任务时，用narration_job=none。 - 剪完以后，换到正确的时钟 剪辑计划选择的是原片区间。编排式 cut 流程先生成
edited_source.mp4，再按成片输出时间写旁白；clip_plan_validated.json同时记录原片与输出区间。真正写稿时读取这份映射；下文示例里的时间加法只是草拟。full 模式沿用原片时间。 - 让声音方案落实到实际旁白窗口
audio_owner只写在方案表里，合成器按真实的narration.json段落、原声留白、对白证据与混音设置工作，声音决定要落实到这几处。overlaps_speech记录是否与对白重叠；真正无对白的窗口来自对白证据。这个值取 true 还是 false，只决定原声压低到哪一档，原片声音都留在混音里。默认旁白混音在旁白结束后最多再延续压低三秒，利用附近的句末停顿安排原声恢复。合成后仍要听实际交接。 - 先减字，不抢下一句原声的时间 六秒画面里的旁白可以远短于六秒。让旁白在下一句重要原话之前结束，并留出原声恢复空间。受限变速后仍放不下时，放置阶段不放入这段旁白，报告阻断性的
no_safe_fit，尾音一律不裁；这时缩短、拆分任务或换窗口，再重做受影响的配音。 - 按反馈改对应层，不重新设计整条片 如果只是把第一句说短，保留已选故事、五拍顺序和声音任务，修改表达与对应文案；如果整段去掉旁白，声音分工也随之改变。源码把表达、口语节奏和字幕反馈记入
style_card.json，镜头与声音分工记入visual_audio_board.json；只有观众期待、视角、主线或 beat 真正改变时，才修改recap_story_plan.json。删除的文案要同步从相关计划和待用字幕里清掉。已生成的 WAV 或混音要重跑对应阶段才会更新。 - 区分台词字幕与额外说明 忠实字幕可以重复听到的台词，照常保留。旁白字幕跟选定口播；如提供
original_subtitles.json，使用输出时间，只写成片中仍能听见的原声对白，已剪掉或被覆盖的话、声音提示和情绪概括都不收进去。字幕可以换行，TTS 口播仍保持整句。合成后完整听一遍交接处，确认台词在最终混音里保住了。
示例
示例
原创编辑示例——《搬家后的收音机》 本示例只写文字方案。 以下片段与时间均为虚构的编辑示意，写成便于阅读的纯文本。
创作者提供的背景：老周搬家时没舍得换掉这台旧收音机。 这项背景画面里看不出，写稿时要标明来自创作者。 示意中能观察到的事：拨开关后没有响声；师傅重新插接连接头；随后有收音机杂音。 画面没拍到开壳，故障原因和修复能否持久也都没有交代。
五段草拟剪辑——原片时间 → 暂拟输出时间： 1. 00:12–00:18 → 00:00–00:06｜台上的收音机，无对白。 主职责：narration；任务：context。 旁白：“搬家时，老周没舍得换掉这台收音机。” 2. 00:42–00:47 → 00:06–00:11｜老周开口。 主职责：original_dialogue；任务：none。完整保留原话： “早上还响着，搬过来就没声了。”不铺旁白。 3. 01:10–01:14 → 00:11–00:15｜开关咔嗒，收音机没有响应。 主职责：silence；任务：none。保留起始的咔嗒声和随后的等待； 这一拍由停顿主导，原片声音照常保留。不要加“他拨动开关”的旁白或音乐。 4. 01:28–01:34 → 00:15–00:21｜重新插接后，收音机第一次响起杂音。 主职责：action_sound；任务：none。让观众听见变化， 这一刻只交代收音机响了。 5. 01:52–01:58 → 00:21–00:27｜老周的反应。 主职责：original_dialogue；任务：none。完整保留： “还以为它也不肯跟我走了。”让反应结束，不追加无依据的升华。
不该写的解释： “师傅一眼就看出内部电路坏了，拆开机壳便把它修好了。” 素材里既没有这个诊断，也没拍到开壳。更合适的替换是上面那一句背景， 然后把声音位置交还给原话、开关声和停顿。
修订练习——“旁白太满，少说一点”具体改哪里： 下面在同一五拍方案里比较两种改法，二选一即可，全程只改文字。
先区分多说与说错： “开关咔嗒一声，收音机没有响应。师傅重新插好连接头，杂音出现了。” 这几句如实复述了本例的观察，内容没错。但把它们铺在第3、4拍上，观众就得隔着旁白去听咔嗒、等待和第一次杂音。本片承诺让观众听见变化，重复说明会盖住体现变化的那些声音。若另做以口述说明为目的的版本，先为那个版本确定观众需求，再分配声音；本例的声音分工只服务这一版。
A. 保留背景任务，只删不必要的重复指代： 原句：“搬家时，老周没舍得换掉这台收音机。” 候选短句：“搬家时，老周没舍得换它。” 画面此时明确呈现台上的收音机，“它”有可见指向；搬家、不舍得换这两项意思仍在。若第一拍换成别的物件、人物特写，或要做脱离画面的纯音频版本，应重新说明指代。TTS 能否在原话前安全收住，要等实际配音后再听。
缩短时守住原意：“老周没钱换它”加进了创作者没提供的财务原因；结尾那个“也”字同样撑不起“搬家后再没有人陪他”或亲人离世的前史。减字只减字，事实保持原样。
B. 如果作者不再要求明说这段背景，第一拍也可以不写旁白： 先保留原来收音机入场画面和五拍顺序，第2拍仍由“早上还响着，搬过来就没声了”交代这次变化，第5拍仍保留老周完整的反应。这样没有旁白重复替他说话，观众也就听不到他“没舍得换”这层意思；老周的两句原话提到了搬家，没说出这一点。 这个方案保留全部画面，示意成片仍是27秒。示例没有写第一拍的环境声；查看自己的素材再决定这一拍的声音归属，原片声音照常保留，也不另补室内底噪。
无论选A还是B，都保留第3拍咔嗒后的等待。那一拍要先建立“没有响应”，再由第4拍的重新插接与杂音给出后续变化。源片1:14到1:28之间的内容在这份草拟剪辑中被省略了；两段在成片里紧挨着，原片中间隔着14秒，旁白和字幕都不能写成“一拨开关就彻底修好了”。A、B 都沿用这份草拟的剪点；到你自己的项目里，等待留多长按素材里的实际停顿决定。
交接时写明选了哪个方案：选A，同时替换对应旁白稿和待用旁白字幕，让字幕与新短句一致；选B，旁白和对应字幕一起去掉。两句原声台词与其原声字幕仍按实际可听内容处理。这里先交编辑决定；已有配音或混音要在之后另行授权的阶段重做。
同一条片，字幕该写什么？——假设选定A的文字示意 忠实字幕把听到的话变成可读内容，这种跨声音与文字的重复有用；要省的是抢占注意的额外解释，台词字幕照常保留。以下沿用五拍，按选定A的情形示意。
1. 收音机入场：旁白字幕用选定短句“搬家时，老周没舍得换它。”，不沿用旧长句，也不另叠“舍不得的旧物”来替观众概括情绪。 2. 老周说明：原声对白字幕保留“早上还响着，搬过来就没声了。”，不改成旁白口吻“搬家弄坏了收音机”；原话只交代先后顺序，损坏原因没有说。 3. 咔嗒与等待：这里没有人说话，不编一条对白字幕。若另选声音提示层，可把“[开关声]”作为候选标注；不要让提示替代咔嗒后的等待，也不要抢先写“马上就修好了”。 4. 插接与首次杂音：仍没有对白字幕。可选的“[收音机杂音]”只描述声音；“[故障排除]”则把一次响应说成了完整诊断和修复。 5. 老周回应：原声对白字幕保留“还以为它也不肯跟我走了。”，不再加“旧物也懂离愁”的结论卡，让这句拟人表达由他说完。
字幕排版可以把第一句显示为两行： 搬家时， 老周没舍得换它。 这是阅读换行，口播仍是连贯的一句，只做一段TTS。真正分成多个字幕提示、何时出现和消失，要跟实际语音与输出时间配合；字幕时码从实际配音和时间线生成。
方括号声音提示是另提的编辑候选，要和录到的台词分开：交给选定的字幕/人工精修流程处理，不塞进 original_subtitles.json 冒充原声对白。只有台词字幕时，咔嗒后的等待与声音变化还没传达出来；若另做静音观看版本，要单独决定怎样表达这些信息。
若最终选B，第一拍的旁白字幕随旁白去掉。作者可以另选一张背景文字卡，把B省去的背景重新交代给观众；这属于另一项有意的表达选择，要单独决定。
时间说明：第一段有六秒画面，旁白要在这六秒里提前收住。 真实配音要在第二段原话前收住，并留下安全的原声恢复空间。 表中边界是草拟值；真实停顿和安全剪点要从素材证据里确认。
交给已配置 Video Recap Skills 的 Agent 的纯文字请求： 使用我获准使用的源片和真实证据，不照抄示例时间。 按以上五段准备故事/声音方案与初步剪辑计划，保留开关声引出的停顿。 完整保留两句原话与收音机首次响起的声音，只使用已确认的搬家背景，其他段不铺旁白。 停在编辑交接，不调用 TTS、不渲染媒体、不添加 BGM；列出未确定的声音和时间证据。 等我选定剪法、剪后文件真实存在，再用校正后的输出时间映射写旁白。
若采用A，可另交一份只改这一处的限定修订请求： 这是上述收音机方案的文字修订练习。只把第一拍旁白改为“搬家时，老周没舍得换它。”；本次不采用B。保留观众期待、五拍顺序、已有画面范围、两句完整原话、咔嗒后的等待和首次杂音，不补贫困、孤独或维修诊断。 返回修改后的候选文案与受影响的表达/字幕交接项；先只在回复里提出，不写入现有文件。第一拍仍是背景旁白任务，不因一句减字而重新设计故事。 不执行剪辑、TTS、音频替换、混音或渲染，真实时长留到配音后核对。若实际首镜不能明确指向收音机，说明“它”的歧义并保留名词，不为追求短句牺牲理解。
预期文件
- 一份明确选定的文案修订：保留哪些背景与原话、删掉什么、是否改变声音分工，以及对应字幕要怎样更新。比较之后只执行选定的一种，也无需新增文件。
recap_story_plan.json与visual_audio_board.json：记录观众期待、变化节拍、来源证据与主要声音职责；它们记录决定，混音在之后的阶段完成。- cut 模式的
clip_plan.json表达原片选段；后续真实的clip_plan_validated.json与edited_source.mp4才确立剪后时间线。这两个文件生成之前，草拟表只是计划。 narration.json：只写确有需要的口播段，并用对应时钟；original_subtitles.json按需记录输出时间上仍可听到的原话。配音文件和成片必须等相应阶段实际执行后才存在。- 真实
timeline.json已存在、还需人工精修时，可走剪映 / CapCut 草稿导出。导出后在编辑器里逐处试听声音衔接处。
检查结果
- 听实际交接：背景旁白结束后，整句原话是否清楚；开关声与等待是否保住；收尾原句是否被截断。这些要在合成文件里用耳朵确认，board 里的标签只记录计划。
- 逐处听旁白前后的实际原声音量变化。交接盖住台词或恢复过于突然时，调整受影响的放置，或在编辑器内精修。
- 本编辑示例全程是文字方案。实际项目要自行配置模型/媒体服务并确认素材授权；旁白占比按每拍需要决定，混音效果以实际试听为准。