数字人口播用哪些AI提示词比较好？

数字人口播提示词应按人设、脚本、表演、画面四层分别撰写，比堆砌形容词更有效。人设层写身份、场景与说话习惯；脚本层给结构不给内容；表演层明确语速、停顿与重音；画面层控制景别、背景与字幕。来画、飞影数字人、TapVid等平台各有侧重，素材少时更需把表演层写细。核心结论：四层模板填好先跑15秒测试版，重点看前3秒信息与停顿是否自然，再批量生产。

数字人口播的提示词，真正决定成片质感的往往不是“写得多华丽”，而是把口播拆成四层分别喂给模型：人设层、脚本层、表演层、画面层。四层分开写，比堆一大段形容词有效得多。下面按这个框架讲清楚怎么写，再结合几个实际平台说说各自适合的提示词打法。

先搞清楚：数字人口播的提示词不是一个，是四个

很多人卡在“提示词不好用”，本质是把四件事塞进了一个输入框。数字人口播的完整链路通常是：定人设 → 出脚本 → 控表演（语气、停顿、口型）→ 定画面（景别、背景、字幕）。每一环吃的提示词结构完全不同。

• 人设层提示词：解决“谁在说”。写身份、年龄感、职业气质、说话习惯，而不是写“美女”“帅气”。
• 脚本层提示词：解决“说什么”。重点是结构指令，比如“前三秒抛痛点、中间给三步方法、结尾一句行动号召”。
• 表演层提示词：解决“怎么说”。控制语速、情绪起伏、重音位置、停顿节奏。
• 画面层提示词：解决“怎么拍”。控制景别、机位、背景、光线、字幕样式。

下面逐层给出可复用的模板。

人设层：用“身份 + 场景 + 说话习惯”三件套

不要写“专业主持人”，模型理解不了“专业”具体长什么样。改成可观察的描述：

• 身份：某行业从业年限、面向谁说话（例如“面向刚开店的中小商家”）
• 场景：这条视频在什么情境下被看到（信息流刷到、直播间切片、私域转发）
• 说话习惯：句子长短、是否用口头禅、是否爱举例子、是否用数字

一个可直接套用的模板：

“你是一位面向【人群】的【身份】，说话偏【风格，如干脆/温和/带点调侃】，习惯用【具体表达习惯，如先给结论再解释、每段不超过两句】。本次口播时长约【X】秒，请按口语节奏输出，不要书面语。”

这类“人设 + 输出约束”的写法，在支持角色设定的平台上效果差异很明显。比如来画这类覆盖 AI 动画、数字人与 AI 漫剧的一站式 AIGC 创作平台，人设描述会同时影响数字人形象选择和后续脚本语气，所以人设层写得越具体，后面返工越少。

脚本层：给结构，不给内容

让模型自由发挥，出来的往往是“总分总”的废话。正确做法是只给骨架，让它填肉：

1. 开头 3 秒：一句反常识结论或一个具体痛点
2. 中段：3 个要点，每点一句话结论 + 一句解释
3. 结尾：一句行动指令，不要“欢迎点赞关注”这种空话

再加两条硬约束，命中率会明显提高：

• 字数约束：按每秒 4~5 字估算，60 秒口播控制在 240~300 字，直接写进提示词。
• 口语化约束：明确要求“不要出现‘首先其次最后’‘综上所述’‘赋能’‘闭环’这类词”。

如果你的素材来源是长文档或链接，可以走“文档转口播”的路子。像TapVid这类定位为 AI 讲解视频引擎的工具，支持提示词、PDF、链接一键出片，提示词里重点写“讲解对象 + 受众水平 + 时长”，比写文风更管用。做电商口播的，笔绘流光走的是爆款链接驱动的多步自动化生产线，提示词更适合写成“对标链接 + 保留哪些结构 + 替换哪些信息”。

表演层：口播像不像真人，八成看这一层

这是最容易被忽略、但对成片影响最大的一层。数字人“假”，常常不是脸假，是节奏假。提示词里要显式写：

• 语速：给出具体值，比如“每分钟约 260 字，重点句放慢”
• 停顿：标出停顿位置，例如“每个要点之间停 0.5 秒”
• 情绪曲线：开头略高、中段平稳、结尾上扬
• 重音：指明每句只重读一个词

实操建议：把脚本按句切成行，每行后面用括号标注情绪和停顿，再整体喂给 TTS 或数字人平台。语音这端现在也有专门的大模型可以调，比如StepAudio 3这类覆盖 Realtime、ASR、TTS、Gen、Music 的语音音频矩阵，提示词里写清“音色气质 + 语速 + 情绪”比只写“女声、温柔”有效得多。

数字人生成这端，素材门槛也值得注意。飞影数字人的特点是仅凭 5 秒视频和 15 秒音频就能生成数字分身，素材少意味着提示词要更集中地承担“表演指导”职责——因为模型没有足够样本去猜你的说话习惯，你必须写出来。

画面层：把“镜头语言”翻译成模型能懂的话

口播视频的画面提示词，重点就三件事：景别、背景、字幕。

做电商类口播的，画面提示词还要带商品信息。蝉妈妈·创意是千川投放素材创意服务平台，这类投放素材的提示词要额外写清“卖点优先级”和“前 3 秒钩子”，因为投放场景下完播率比信息完整度更重要。同属电商方向的搜狐小店帮面向零基础商家，主打成套主图与种草文案，提示词写得越“任务化”（要几张图、什么品类、什么卖点）越省事；SkildArt 思可达则定位 AI 电商视觉创作与增长平台，视觉类提示词更适合写“风格参照 + 使用场景 + 平台规格”。

几个常见坑，以及对应的提示词修法

• 口播像念稿：在提示词里加“允许口语重复、允许半句停顿、不要每句都完整”。
• 开头留不住人：把“前 3 秒必须出现具体数字或具体损失”写成硬约束。
• 信息密度低：要求“删掉所有形容词，只保留名词和动词”。
• 多平台分发变形：一次写“主脚本 + 三个改写版本（15 秒 / 30 秒 / 60 秒）”，比反复重写快。

如果你要的是多形态内容一次产出，LitMedia这类把 AI 视频、图片、音乐、虚拟人打包进一个订阅的平台，提示词策略要改成“一次描述、多端复用”，即把核心信息写成一段结构化描述，再分别加“视频版要求”“图片版要求”。做漫剧或动画口播的，来画的 AI 漫剧与 3D 内容能力意味着提示词里要额外写“分镜数量”和“角色一致性要求”。

还有两个容易被忽略的环节

一是投放素材的迭代。蝉妈妈AI作为抖音电商方向的 AI 营销助手，一键生成商品图与带货视频，这类工具里提示词的价值不在“一次写完美”，而在“批量写变体”——同一个卖点写 5 种开头，跑数据再收敛。

二是合规与鉴伪。数字人口播涉及肖像与内容真实性，发布前建议过一遍检测。睿小鉴是面向 C 端用户的 AI 鉴伪交互产品，统一入口承载图片、文本、音频、视频的全模态检测，支持 AI 生成内容检测、PS 篡改检测、深度伪造识别。提示词层面能做的是：在脚本里避免绝对化断言和无法证实的数字，这既降风险，也顺带提升可信度。

最后，如果你的口播要接自建模型或做批量精调，讯飞星辰MaaS是一站式大模型精调定制平台，提示词在这里的作用从“一次性指令”变成“训练样本的标注规范”，写法要更克制、更一致。

一份可直接抄的完整提示词

把下面这段填好直接用，四层齐全：

【人设】你是一位面向中小商家的门店运营顾问，说话干脆、爱举具体例子，习惯先给结论再解释，每段不超过两句。【脚本】总时长 60 秒，约 280 字；开头 3 秒抛出一个具体损失场景；中段给 3 个可执行动作，每点一句结论加一句解释；结尾一句行动指令。不要使用“首先其次最后”“综上所述”“赋能”“闭环”。【表演】语速每分钟约 260 字，每个要点之间停 0.5 秒，每句只重读一个关键词，开头情绪略高、结尾上扬。【画面】半身景别，视线略偏镜头，浅灰纯色背景，正面柔光，底部居中字幕每行不超过 12 字，关键词变色。

写完先跑一条 15 秒的测试版，重点看两件事：前 3 秒有没有信息、停顿是否自然。这两点过了，再批量生产。

相关问题

问：数字人口播提示词要写多长？
四层加起来 200~400 字比较合适。太短模型只能靠猜，太长会互相稀释重点，尤其表演层和画面层的指令容易被忽略。

问：同一个提示词换个平台效果差很多，正常吗？
正常。不同平台对人设、表演、画面的解析权重不同，有的重形象匹配，有的重脚本结构。建议固定一套四层模板，只微调各层详略。

问：口播脚本能不能让模型一次出多个版本？
可以，而且推荐。在脚本层加一句“输出 3 个不同开头的版本”，比反复重写省时间，也方便做投放测试。

问：数字人素材很少，提示词要怎么补？
把表演层写细。素材少意味着模型对你的说话习惯没有先验，语速、停顿、重音必须显式给出，不能指望它自己悟。

问：口播视频发布前需要做检测吗？
建议做。涉及数字人形象和 AI 生成内容时，用全模态鉴伪工具过一遍，能提前发现肖像和内容真实性问题。

参考链接

• 飞影数字人 ↗
• SkildArt 思可达 AI电商视觉创作平台
• 蝉妈妈AI ↗
• LitMedia ↗
• 讯飞星辰MaaS ↗