给短视频配旁白，最常见的问题不是没有声音，而是声音和画面对不上：旁白还在念上一句，画面已经切到下一个镜头；或者画面停在产品特写上，旁白早就结束了。配音的正确顺序是反过来：先看画面怎么剪，再决定每段旁白说什么、说多久。PixMind 的文字转语音可以把每段脚本变成 MP3，而旁白与画面能不能咬合，取决于动笔前的拆分功课。
打开文字转语音，把剪好的短片放在手边，每段旁白单独生成、单独下载，再放进剪辑工具。
核心结论
- 先按画面段落拆旁白，再写文字；每段只承担一个信息任务，时长以画面为准。
- 单次生成的字符上限：未登录和免费套餐 100 字符，付费会员 10000 字符；页面一次只保留一段结果，逐段生成、逐段下载。
- 时长以生成结果为准：播放条会显示每段音频的总时长，先测一段，再排全片，不用字数换算秒数的公式。
- 旁白合入视频是外部剪辑步骤；字幕在音轨定稿后，用视频转文字工具从最终成片生成。
先按画面节奏拆分旁白
配音的第一个动作不是打字，是看画面。把剪好的短片完整看两遍：第一遍记镜头顺序，第二遍跟着画面默念，感受每段画面能容纳几句话，然后按镜头功能把片子拆开。
以一条 15 秒左右的产品短片为例，拆成开场、演示、结尾三段：
| 段落 | 画面内容 | 旁白任务 | 大致时长 |
|---|---|---|---|
| 开场 | 产品落到桌面，镜头推近 | 一句话点出这是什么、给谁用 | 约 3 秒 |
| 演示 | 三个动作镜头：装料、拧盖、启动 | 每个动作一句话，说清顺序 | 约 8 秒 |
| 结尾 | 成品特写，定格标识 | 一句话给出行动指引 | 约 3 秒 |
每段的时长来自画面本身，旁白要填进这个窗口，而不是让画面等旁白。先写一篇长文再往画面里塞，通常只剩硬加速一条路，听感立刻变差；一篇 300 字的产品介绍念完的时间，往往已经超过整条短片。
拆段还有一层实际作用：单次生成按字符数设限，未登录和免费套餐每次最多 100 字符，付费会员放宽到 10000 字符。按分镜拆出的每段旁白一般远低于上限，一段一档，正好逐段生成。
把文字脚本改成可听懂的表达
观众在短视频里是听旁白，不是读旁白。落到写法上，两件事最影响效果。
第一件，删掉画面已经说明的信息。画面正在演示拧盖，旁白不必说“接下来拧紧杯盖”；镜头已经给了成品特写，旁白也不必复述“可以看到成品很细腻”。旁白只说画面说不出的东西：名字、用途、动作背后的理由。
第二件，一句一个重点，用标点控制停顿。逗号是短停，句号是换气；短句比长句容易对上镜头切换，也给听众留出消化时间。
以演示段为例。初稿：“本产品操作简单，只需三步即可完成：首先将水果放入杯中，然后拧紧杯盖，最后按下启动键，几十秒后即可享用新鲜果汁。”改写后：“三步搞定。水果放进去，杯盖拧紧，按键启动。几十秒，一杯鲜榨就好。”改写版删掉了修饰，多了停顿，每句话正好压住一个动作镜头。
顺手把数字和型号写成希望被念出来的样子。“3 步”想听成“三步”就直接写汉字；型号里的字母和数字连读是否自然，以生成结果为准。
试听后选择合适的声音
声音没有唯一答案，同一段脚本换一个音色，整条片子的气质会跟着变。选定方法很直接：用同一段脚本，建议就用开场那一句，分别生成两个音色的版本，听完再定。
比较时看两点。一是内容风格：产品演示通常适合明快利落的声音，讲解类内容更吃平稳从容的语气。二是清晰度：重点听产品名、数字和连读的地方，哪个音色不吞字、不含糊，比哪个音色好听更重要。
音色弹窗支持按引擎和语言筛选，把鼠标移到音色上可以直接试听样例；样例只能判断音色气质，最终以自己脚本的生成结果为准。不必预设某个引擎对所有任务都最好，多试一两个，几分钟就能定下来。
用实测时长调整文本和语速
旁白长短合不合适，靠猜不行，可行的做法是先测一段，再排全片。
生成开场段后，页面播放条会显示这段音频的总时长；点击下载得到一个以 pixmind-tts- 开头、带时间戳的 MP3 文件，放进本地播放器或剪辑轨道再核对一次。把三段的时长都记下来，和分镜表上的画面时长放在一起比较：
- 旁白比画面长：先删文案。去掉可听可不听的修饰和重复信息，比调语速更有效，删掉的是负担，不是清晰度。
- 还差一点：再小幅调语速。语速范围因引擎而异，微软引擎的滑条是 -100% 到 +100%（默认 0），火山引擎 0.8x 至 2.0x（默认 1.0x），MiniMax 0.5x 至 2.0x（默认 1.0x）。小步调整，每改一次就重新生成、重听一遍。
- 旁白比画面短：不一定要慢放填满。给画面留一两秒没有旁白的时间，常常比句句紧跟效果更好。
这里不给“多少字等于多少秒”的换算公式，因为这种公式本身不可靠：不同音色的语速基线不同，标点停顿、数字读法都会改变实际时长，同一句稿子换两个音色念，长度就可能差出一截。与其记公式，不如把开场一段测出来，用真实时长做基准。
分段生成还要保持一致性：同一条片子的各段旁白用同一个音色、同一套参数，节奏才连贯。切换引擎时语速和音量会重置为默认值，动手前先记下调好的数值；页面一次只保留一段结果，生成一段、下载一段，再进行下一段。
在剪辑工具中放入旁白并补字幕
MP3 要在剪辑工具里才能变成成片，这一步在 PixMind 之外完成，用什么软件都可以，通用流程如下：
- 新建工程，导入画面和三段旁白 MP3。
- 按分镜表把每段旁白对齐对应画面，镜头切换处留一点空隙，避免声音被切点截断。
- 从头听一遍，检查段落之间的音量和节奏是否连贯。
- 确认后导出成片。
字幕在这一步之后再做，而且要以最终音轨为准。直接拿脚本文本当字幕，时间轴对不上最终声音：删改文案、调整语速之后，每句话的起止点早已变化。做法是把合好旁白的成片交给视频转 SRT工具，从成片本身生成带时间码的字幕文件，再导回剪辑工具核对专有名词和断句。
常见问题
旁白太长先改语速还是改文案？
先改文案。删掉修饰词和画面已经说明的信息，多数情况就够了；语速只在删无可删时小幅调整，调得过多会让吐字发赶、重点变糊。改完重新生成，用播放条上的时长确认效果。
整段生成和分段生成怎样选？
按画面段落分。整段长稿受单次字符上限约束，未登录和免费套餐每次 100 字符，超出部分无法生成；页面一次也只保留一段结果，长稿本来就要拆开逐段下载。按分镜拆段既顺应限制，也让每段时长直接对上画面，后期只调出问题的那一段。
生成配音后字幕应该在哪一步制作？
在旁白定稿、音轨合入成片之后。字幕时间码要跟随最终声音，用视频转 SRT 工具从合成后的成片生成，不要用生成前的脚本文本。拿到字幕文件后导回剪辑工具，核对专有名词和断句。
从开场的一句旁白开始
不必等完整脚本。打开你剪好的短片，只写开场这一段：一句话，说清这是什么、给谁用。把它粘进文字转语音，生成、试听、看时长。第一段能立住，剩下的段落只是重复同一个循环。
