结果不对时把整条生成流程重跑一遍，人像、音频、合成三处变量一起变，这一轮到底输在哪一段其实没有结论。更省事的办法是把流程按人脸段、语音段、口型段切开，每段只替换一个输入，其余保持不动，用日志、输出文件和媒体探测结果判断该怀疑哪一段。下面给的是可执行的换输入方法和观察位置，不涉及具体模型的内部实现，模型版本与采样参数的影响需要结合环境确认。

把人像、音频、合成输出拆成三个可以单独替换的输入位，是定位问题的前提：换人像看身份特征是否漂移，换音频看唇形是否跟随，核对输出时长与帧率看合成环节有没有改写时间轴。单段正常不代表串联正常，长片段还要按句或时间窗切开复查累积偏移。这套方法的边界是只能把问题归到某一段，不能直接得出模型质量结论；是否与模型版本、驱动参数相关，需要换回原输入对比后确认。

人脸段：固定语音换人像，观察身份特征是否漂移

这一段只回答一个问题：人像素材换了，生成结果的身份特征是否稳定。控制变量的做法是让音频文件、驱动参数、输出分辨率和帧率全部不动，只替换人像输入路径。

• 固定项：同一份音频文件（建议先记录它的 md5 或字节数，避免误换）、同一份驱动配置、同一段时长。
• 替换项：只改人像输入，例如把 input_face 换成另一张正面、光照均匀的图。
• 观察位置：抽首帧、中段帧、尾帧三处对比，重点看眼睛形状、下颌线、发际线轮廓、肤色块和脸部边缘。如果同一张人像在整段里这些位置随时间抖动，说明漂移来自人脸段这一段，而不是音频侧。
• 风险边界：两张人像本身清晰度、遮挡、角度差异太大时，结果差异不能全归给人脸段，需要先把素材条件拉平再比。

如果换人像后首帧就明显不像，那属于素材侧问题；如果首帧正常、中段开始漂，通常是长序列累积，先记下漂移出现的帧号，再进入第 4 节的长片段检查。

语音段：固定人像换音频，观察唇形是否跟随

这一段判断音频侧对驱动结果的直接影响。人像和输出配置不动，只换音频，看唇形开合是否跟着音频节奏走。

建议准备两段节奏明显不同的音频做对比记录：一段语速平稳、音节密度均匀；一段带明显停顿和重音起伏，句间有静音间隙。两段的采样率、声道数、时长格式尽量一致，避免把格式差异混进结论。

1. 用音频工具先导出波形，标出每个音节的起止时间点。
2. 把输出视频按同一时间轴抽帧，逐帧标出唇部闭合、张开、圆唇的时间点。
3. 把两组时间点并排写进记录表，看唇形变化是滞后、超前，还是完全不响应。
4. 静音间隙部分单独看：如果音频静音时唇形仍在动，通常指向对齐或驱动段，而不是人像段。

记录表至少包含：音频文件名、音节时间点、对应输出帧号、唇形状态、偏差方向。唇形不跟随的情况，先把音频换成一段纯静音或纯元音再跑一次，能快速区分“没响应”和“响应错位”。

口型段：核对输出帧率与时长和输入音频是否一致

合成输出有没有在时长或帧率上被改写，用媒体探测工具直接读，不要靠播放器目测。

# 视频流帧率与时长
ffprobe -v error -select_streams v:0 -show_entries stream=avg_frame_rate,r_frame_rate,nb_frames,duration -of default=nw=1 out.mp4

# 容器整体时长
ffprobe -v error -show_entries format=duration -of default=nw=1 out.mp4

# 输入音频时长
ffprobe -v error -show_entries format=duration -of default=nw=1 in.wav

把结果填进比对表，差值超过一帧时长就需要往下查：

如果音频比输出长，说明末尾被截断；如果输出比音频长，常见原因是补帧或首尾静音填充。这两种都发生在口型段，不要回头换人像。

把三段串成长片段，看误差在哪一段被放大

单段跑得正常，串成长片段后仍可能出问题，因为时长、帧率、身份一致性会逐段累积。做法是把长片段按切点拆开复看，而不是整体评价。

• 分段切点：优先按句间静音切；没有明显静音时按固定时间窗切，例如每 5 到 10 秒一个片段，保持切点位置在多次运行中一致。
• 记录内容：每个切点的起始帧号、该段内身份特征是否稳定、唇形与音频的偏差方向、该段结束时的累计时长偏移。
• 判断方式：如果偏移只在某一段突然变大，问题集中在那一段；如果每段都比上一段多偏一点，属于串联累积，通常与对齐或拼接策略有关，需要结合环境确认。

建议把切点记录做成一张时间线表，每行一个片段，最后一列写“该段新增偏移”。这样误差在哪一段被放大，看表就能定位，不必重看整条视频。

按段替换输入做归因，而不是整条重跑

固定的归因顺序是：先换语音，再换人像，最后查合成输出。这样安排的道理是音频决定时间轴，先排除时间轴因素，再判断身份，最后确认写文件环节。

每次只换一个输入，把上一轮输出留档，不要覆盖。三步走完仍无法归因，再考虑模型版本或解码参数，此时至少已经排除了输入素材和写文件环节，重跑范围会小很多。