唇形比配音快半拍或慢半拍时，不必先纠结「到底该改音频还是改设置」。更省事的做法是排除法：先用 ffprobe 拿到音频的客观参数，再把文本切到单句看偏移落在句首还是句尾，最后才去动页面的语音与口型设置项。音频素材的问题通常要重录或转码，设置项的问题改参数即可，两类混着调会互相掩盖，改完也说不清是哪一项起了作用。

下面每一步只回答一个问题，做完一步再进下一步。凡是「改完看着顺了」却没有留下记录的，等于没有验证，因为偏移方向很容易在主观感受里被忽略过去。

唇形对不上时，建议按排除法走：先用 ffprobe 确认采样率、声道与 duration 是否规整，再把文本切到单句生成，判断偏移落在句首还是句尾，最后才在页面语音与口型设置里逐项只改一个。若换一条同文本音频后偏移消失，问题偏向音频素材；若偏移形态几乎不变，才继续查设置项。每次只改一项并留下记录，才有可能归因。

用 ffprobe 读出音频的采样率、声道与时长

这一步只用来排除明显不匹配的音频，不负责解释唇形为何偏移。把素材放到能执行 ffprobe 的机器上（本地终端或服务器都行），执行下面的通用骨架：

ffprobe -v error -show_entries stream=codec_type,codec_name,sample_rate,channels -show_entries format=duration -of default=noprint_wrappers=1 your_audio.mp3

把 your_audio.mp3 换成实际文件路径，路径带空格时要加英文引号。输出里主要看三个字段：

• sample_rate：采样率，常见 44100 或 48000。
• channels：声道数，1 是单声道，2 是立体声。
• duration：时长，单位秒。

判读结论要写成一句可核对的话，而不是「看起来正常」。例如写成：「sample_rate=48000，channels=1，duration=12.63，与这段文本朗读的预期长度基本一致」。如果 duration 明显短于文本朗读所需时间，说明音频被截断或语速被压过，唇形对不上可能只是素材本身缺尾。同一批素材里采样率、声道数不统一时，建议先统一成同一套参数再往下比，避免把参数差异误判成页面设置问题。这三个字段只能说明素材是否规整，不能直接证明偏移来自音频，所以还要继续往下走。

核对文本句读与配音停顿是否一一对应

把文本按标点断句并编号，同时在播放器里听一遍配音，逐句记录起止位置（用时间戳或目测波形上的静音段都行）。目标是判断偏移出现在句与句之间，还是每句内部都有。

表现描述可以参考这几类：句中停顿与标点不符时，唇形会在逗号处继续动，或在没有标点的地方提前闭合；整句偏移时，每一句开头都固定快或慢同样的量，句内相对是对齐的；如果句内先对后错，更像时长关系不匹配，而不是单纯的起始点问题。

记录格式建议一行一句，写相对量级即可，不必硬凑毫秒结论：

句1 00:00.00-00:03.20 对齐
句2 00:03.20-00:06.10 嘴型提前约半拍
句3 00:06.10-00:09.80 句中逗号处未见停顿

重点是偏移方向和是否每句都有，而不是精确数值。若偏移只在某些句子出现，多半跟该句的断句或停顿有关；若每句都一样，更接近整体对齐或累积漂移。

只取第一句做单段生成，观察偏移出现在句首还是句尾

把文本只保留第一句（含句末标点），用与原视频相同的音频来源重新生成一次。操作顺序大致是：复制第一句 → 粘贴到生成输入 → 选同一段音频或截取对应首段 → 页面其它设置保持不动 → 生成。

偏移方向的判断方法：句首就快或慢，说明起始对齐有问题；句首对齐、句尾才开始漂移，说明是随时间累积的偏差，通常与语速、停顿或帧对齐有关，而不是一个固定的时间平移；如果单句内中段开始漂移、句尾更明显，优先怀疑音频与文本的时长关系，而不是口型强度。

结果记录成一句文字就够了，例如：「第一句，句首对齐，句尾唇形慢约半拍，句内中段开始漂移」。截图可以附，但文字记录更重要，因为截图里看不出「半拍」这种相对量。

换一条同文本不同音频做对照测试

这一组专门用来区分音频素材和页面设置：文本完全相同，只换音频文件，其它一切不动。可以换成同一段文本的另一遍录音，也可以是不同来源的配音文件。

两次结果的对比维度建议固定成几项，逐项打勾：

• 偏移方向是否变化，原来的快或慢有没有翻转。
• 偏移是否仍从同一句开始出现。
• 句间停顿的位置是否改变。
• 偏移量级是变大、变小还是基本一致。

如果换音频后偏移消失或明显改变，说明音频素材（时长、停顿、采样参数）在起作用；如果换音频后偏移形态几乎不变，更可能是页面上的语音与口型设置在生成对齐时产生的固定偏差。这一步只做对照，不要顺手改设置，否则又变成两个变量同时动。

把判断落到页面的语音与口型设置项上，逐项只改一个

到这一步才动设置，而且每次只改一项。常见可动的项包括口型或唇形强度、语音语速、句间停顿、音频来源选择，以及文本里的标点和断句方式。不同版本的界面名称可能不一样，以你实际打开的页面为准，不要照搬别人截图里的叫法。

建议的先后顺序：先改与对齐直接相关的项（口型灵敏度、停顿设置），再改语速这类会改变时长的项，最后才考虑更换音频来源。每改一项，就用第三小节的同一句重新生成一次，并补一行记录。

如果某一轮里偏移不再复现，先别急着认定该设置项就是原因。生成类任务本身有波动，建议同一组设置连做两三次再下判断。若所有设置项都试完仍没有改善，把范围收回到音频素材本身重录一条，通常比继续往设置里加项更省时间。整个过程里，能复现的记录比任何单次观感都更值得信任。