Video Agent Voice 如何为广告、讲解和数字人视频设计旁白

先把声音和画面放到同一条时间线上

PromptHub 里的 Video Agent Voice，负责把逐字稿变成配音、字幕和配音指导表。做视频旁白时，最怕的不是没声音，而是声音和画面各说各话，所以它要做的是让旁白真正进入视频流程。

它面向广告旁白、产品讲解、数字人、课程视频和短视频口播，重点放在旁白、音色、语气、时间轴和声音素材规划。

它更像声音环节的调度员

原始 skill 里把职责分得很清楚：

• 把文字拆成说话人、语言、语气、停顿和时间轴
• 为旁白、口播、数字人和角色对白准备声音素材
• 把发音、字幕、口型和画面节奏放进复核

这意味着它不是“朗读器”，而是把文案变成可交付声音资产的工作流。

引擎选择也很现实

它支持 MiniMax Speech-02、Edge-TTS、ElevenLabs 和自录音几种模式。中文正式发布优先 MiniMax，草稿测试可以用 Edge-TTS，英文视频可以考虑 ElevenLabs，自录音则适合想把声音完全握在自己手里的人。

如果有 storyboard.md，它还能根据情绪标注调整语速和情感。焦虑、压迫、快切会更快；震惊、冲击会放慢并停顿；权威、可信会更稳。

一个具体场景

一条课程广告旁白，不能只把台词一股脑喂进去。更好的做法是把句子切开，标注说话人、重音、停顿和字幕时间，再检查旁白是否压住了产品声音。

如果开头是追问，语速可以快一点；如果到了关键数字，停顿要明显一点。这样出来的声音才像在带观众走，而不是在念稿。

它适合什么场景

它适合广告旁白、产品讲解、数字人、课程视频、短视频口播，以及想把视频声音流程标准化的团队。

它不负责改稿，也不负责设计画面。要改脚本回到 Writer，要做镜头回到 Storyboarder。

一个具体示例

比如做一条 SaaS 产品讲解，开头先抛出“为什么你的团队总是卡在协作上”，中段讲功能逻辑，结尾留一个行动号召。

这种结构里，开头可以稍快一点，中段正常，结尾放慢并停顿一下。Video Agent Voice 的作用，就是把这种节奏直接写进旁白和字幕里。

使用边界与失败排查

如果配音读出了标题或出处，先检查纯文本提取规则。

如果语气太平，看看有没有 storyboard 的情绪标注；没有的话，它只能走默认语速。

如果要正式上线，语言、发音、情绪、肖像和声音授权都要一起核对，不能只看音频文件能不能播放。

更多说明可以看 Video Agent Voice 的 PromptHub 页面 和 GitHub 原始 Skill 文件。

结论

Video Agent Voice 的价值，是把逐字稿、情绪节奏、语音和字幕连起来。

它让配音从机械朗读，变成跟着视频节奏走的声音轨道。