给数字人调出呼吸感：语速停顿与重音

把数字人视频发给朋友看，最常见的反馈是：挺好的，就是有点赶。这个赶字很准。它不是在念得快，而是整段没有留白，句子一个接一个，像有人在后面催。真人说话是有呼吸的，一句说完会下意识停半拍，遇到重点会慢下来，遇到转折会先吸一口气。这些东西不加进参数里，数字人永远不会自己长出来。这一篇不讲原理，直接给能填进后台的数字，以及怎么验证自己调对了。

为什么数字人听起来总像在赶时间

三个原因叠在一起。第一，合成引擎的默认设置偏向高吞吐，标点停顿很短，句号只停零点三秒，人耳的感觉就是抢话。第二，稿子是按阅读习惯写的，句子长、修饰多，没有为说设计过，自己念一遍都喘不上气。第三，缺少非语言信息，真人说话有吸气、有这个那个、有笑声，合成音干净得像录音棚，反而假。要治这个毛病，改稿和调参得一起做，只改一样效果有限。经验是先改稿，把长句拆短，再调参数，往往能省掉一半调试时间。

语速：不同场景该用多少

语速的单位是每分钟多少字，中文口播的常用区间是二百二到三百二。低于二百二会显得拖沓，适合教学和情感类；二百四到二百八是大多数知识口播的舒适区；超过三百就进入促销节奏，观众需要高度集中才能跟上，长时间听会累。要提醒的是，语速不能全篇一个值，一条两分钟的视频里至少要有两档，讲结论时慢下来，讲背景时可以快一点，这种快慢对比本身就在帮观众划重点。还有一个小技巧：数字和专有名词前面放慢百分之十，观众的耳朵会自动把这些地方标记成重要信息。

停顿：标点之外的三种留白

停顿分三种。第一种是句内停顿，用在长句的主语和谓语之间、并列项之间，长度零点二到零点三秒，作用是让人跟上结构。第二种是句间停顿，句号之后，零点五到零点八秒，这是最容易被默认值压短的地方，也是显不显赶的关键。第三种是段落停顿，换话题、换章节时用，一秒到一秒半，作用是给观众一个可以喘口气的信号。还有一种更高级的用法是故意静默，在抛出问题之后停一秒，比任何强调都管用。停顿不是浪费时长，是给观众留出理解的时间，省掉这一秒，后面三十秒都是白讲。刚开始可以刻意把停顿调长一点，宁可慢半拍也不要抢话，观众的耳朵更容易接受慢，不容易接受赶。

重音：一句话只留一个主重音

重音靠三样东西做出来：音高抬高、时长拉长、音量加大，三个一起用效果最好，只用音量会变成喊。一句话里主重音最好只有一个，多了等于没有。比如这个方案能帮你省下三成成本，重音落在三成上，其他字放平。如果每个词都加重，观众听到的是一串鞭炮，抓不到重点。做的时候可以把重音词单独标出来，在后台给它加一点点音高和时长，幅度百分之五到十就能听出来，加到二十以上就过了。一篇文章里的重音词最好控制在每两句一个，太多观众会累。

试听三遍法：怎么确认调对了

调完不要马上导出，用三遍法过一遍。第一遍闭眼听，只听节奏，感觉哪里赶、哪里断得生硬，用笔在稿子上做记号。第二遍看稿听，核对每个停顿是不是落在该落的地方，有没有把词组切断，比如把非常重要切成非常和重要。第三遍隔一小时再听，这时候耳朵已经洗过，最容易听出假。三次都过的段落基本没问题，反复听十遍反而会麻木。

呼吸感不是玄学，就是三个数字：停顿多长、语速多快、重音落在哪。建议你固定一套自己的参数，比如口播稿统一二百六十字、句间零点六秒、每句一个重音，把它写成模板，以后每条片子都从这里起步，再按内容微调，效率会比每次重调高很多。