数字人出镜眼神呆滞语气生硬？实战AI数字人短视频口播脚本提示词植入情绪停顿与自然互动呼吸感

现在做AI数字人短视频的朋友，大概率遇到过这种尴尬情况：画面里的虚拟主播长相没得挑，五官立体、口型也能对上，但一开口说话就露馅。眼神直勾勾盯着镜头一动不动，语气像念经一样平铺直叙，中途连个喘气换气的地方都没有。这种“机器味”十足的视频发到抖音或视频号上，观众划过去的概率高达90%以上。

为什么会这样？很多人以为是数字人驱动软件的技术不行，其实根源在底层喂给大模型的口播脚本出了问题。

写脚本时，大家习惯性把大模型当成百度搜索或写公文的工具，给出一句“帮我写个带货脚本”就完事。大模型吐出来的文字是标准的书面语，逻辑严密但完全不符合人类说话的习惯。人类在日常说话时，不可能字正腔圆地一口气说完两百字，中间必然有语气停顿、情绪起伏、甚至口语化的语气词（比如“其实”、“说实话”、“对吧”）。

想要解决这个问题，单纯靠剪辑软件后期去加标点符号已经不够了。我们必须在提示词工程（Prompt Engineering）阶段，就把“情绪”、“停顿”和“呼吸感”作为核心指令植入进去。

一、 为什么主流大模型写不出“人话”？

目前大家常用的主流大模型（如 OpenAI 的 GPT-4o、Anthropic 的 Claude 3.5 Sonnet 以及 Google 的 Gemini 1.5 Pro），在默认状态下的底层对齐（Alignment）偏向于专业、客观、高效的文本输出。

如果你不加限制，它们写出来的东西天然带有“论文腔”或“公文腔”。

要想让大模型写出带有呼吸感的脚本，核心逻辑在于改变它的输出边界。我们不能只告诉它“写什么”，还要告诉它“怎么喘气”、“怎么停顿”、“怎么换气”。

二、 核心实战：植入呼吸感与情绪停顿的提示词框架

一个高标准的数字人短视频口播脚本提示词，不能只有一句指令。它需要包含角色设定、背景约束、格式规范、气口植入规则四个部分。

这里直接给出一套经过实测、可以直接复制到 GPT-4o 或 Claude 3.5 Sonnet 中运行的万能提示词模板。

# Role (角色)
你是一位拥有千万粉丝的短视频口播带货专家，擅长用极度接地气、像和朋友聊天一样的口语化风格进行表达。

# Task (任务)
请根据以下产品信息/主题，编写一段 60 秒的短视频口播脚本。

# Constraint (核心约束 - 呼吸感与停顿规则)
1. **彻底摒弃书面语**：严禁使用“首先”、“其次”、“综上所述”、“值得一提的是”等连接词。多用“说实话”、“其实”、“你想啊”等口头禅。
2. **长短句交替与气口植入**：
   - 严禁出现超过 25 个字的超长句。
   - 在需要观众思考、产生共鸣或情绪转折的地方，必须显式插入停顿标记，格式为 `[停顿 1 秒]` 或 `[深呼吸]`。
3. **情绪分层**：
   - 前 5 秒必须是痛点暴击，语气急促、略带质疑。
   - 中间部分语气转为真诚分享、掏心窝子。
   - 结尾部分语气坚决、带有行动号召。
4. **数字人驱动优化**：脚本中允许出现轻微的重复、口误修正（例如：“这个价格……不对，应该是这个配置”），这能极大地增加数字人的拟真度。

# Input (输入内容)
主题/产品：[在此处输入你的产品或主题，例如：一款主打性价比的无线蓝牙耳机]

# Output Format (输出格式)
请直接输出脚本内容，包含【镜头画面建议】、【口播台词】、【情绪/语速标记】三列，以表格形式呈现。

三、 实操演练：优化前后的底层文本对比

光看结构不直观，我们来看一组真实测试数据。以“推广一款平价抗皱面霜”为例，对比一下普通提示词和上面这套深度提示词生成的内容差异。

1. 普通提示词生成的“机器味”脚本

“大家好，今天给大家推荐一款非常好用的抗皱面霜。随着年龄增长，脸上的细纹越来越多，皮肤也变得松弛。这款面霜含有高浓度的玻色因成分，能够深入肌底，紧致肌肤。不仅如此，它的质地非常温和，敏感肌也可以放心使用。现在下单还有优惠活动，赶快点击下方小黄车购买吧。”

数字人播报效果：眼神直视前方，语速从头到尾匀速输出，像是在宣读产品说明书，观众在第 3 秒就会产生审美疲劳。

2. 运用呼吸感提示词生成的“真人味”脚本

| 镜头画面建议 | 口播台词 | 情绪/语速标记 |
| :— | :— | :— |
| 凑近镜头，皱眉，略带怀疑 | “照镜子的时候，你是不是也发现眼角这儿……突然多好几道干纹？” | 语速偏快，语气急促 `[停顿 1 秒]` |
| 身体放松，无奈摊手 | “别买那些大几千的贵妇面霜了，说实话，真没必要。” | 语气诚恳，降低音量 `[深呼吸]` |
| 拿起产品展示瓶身，微笑 | “你看我这段时间一直在用这个。其实刚开始我也觉得便宜没好货，直到…… `[停顿 0.5 秒]` 连我妈都问我是不是偷偷去医美了。” | 语气转为惊喜、分享秘密 |
| 指向屏幕下方，眼神坚定 | “今天趁着活动，想要脸蛋紧致的姐妹，直接戳下面，去瞅一眼。” | 语速加快，果断有力 |

数字人播报效果：当数字人读取到 `[停顿 1 秒]` 和 `[深呼吸]` 标记时，驱动软件（如 HeyGen、D-ID 或国内的各类数字人系统）通常会产生对应的微表情停顿、眨眼或胸腔起伏，整体视听表现瞬间从“AI念稿”变成了“真人博主日常碎碎念”。

四、 参数配置与工作流避坑指南

写好了提示词，大模型生成的文本只是第一步。在把这些文本喂给数字人生成软件之前，大模型和剪辑环节还有几个关键参数和操作细节必须注意。

1. 大模型参数设置（以 GPT-4o 为例）

•Temperature（温度值）：建议调高到 0.8 到 0.9 之间。默认的 0.7 偏向保守，我们需要较高的随机性来产生口语化和意料之外的语气词。

•Top-P：保持默认的 1.0 即可，不需要过度收窄词汇选择范围。

2. 提示词落地的三大常见误区

•误区一：认为标点符号就是停顿。大模型的TTS（文字转语音）引擎对普通逗号和句号的停顿时间处理非常机械。必须使用显式文字标签（如 `[停顿]`、`[叹气]`），或者在文本中手动加入大量的空格和短破折号（如“这个……其实吧……”），强制语音合成引擎拉长间隔。

•误区二：追求单句字数过多。口播脚本的黄金法则是短句为王。超过 20 个字的句子一定要让人工或者二次提示词将其拦腰截断。

•误区三：忽略数字人的眨眼与视线交替频率。即使脚本有了呼吸感，如果数字人模型本身的眼神毫无波澜，依然会出戏。在剪辑时，可以通过每隔 10 秒插入一个微小的镜头切分（比如从正脸切到微侧脸），在物理层面上打破数字人眼神呆滞的视觉死角。

把这套包含呼吸感规则、停顿标记和口语化约束的提示词固定为你的系统指令（System Prompt），以后每次生成脚本时直接调用，你的数字人短视频在视听表现力上就能直接甩开还在用基础文本生成同行的身位。