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