Popto 生成数字人口播时，嘴型和声音对不上，通常不是单一故障：音频轨被二次处理、脚本分段过长、生成环节的语速或对齐设置被改动，都可能表现成同一种“错位”。合理的回看顺序是先量化错位区间，再回看音频轨，再检查脚本分段，最后在重新生成时只动一个变量；同时改音频和分段，只会得到一个新的、无法归因的结果。

适合成片已生成、但嘴型与声音存在错位的情况。操作上按音频轨→脚本分段→生成设置三层回看，每层先用可记录的时间区间验证，再决定是否修改。判断依据是原始音频复测结果、分段边界与成片停顿时机是否一致。边界在于：若原始音频、分段方式和默认设置三项都没动过仍错位，就不属于编辑侧问题，应转为可复现信息提交，而不是反复重生成。

在预览里定位错位的具体时间段

先把“对不上”变成“从第 X 秒开始，持续到第 Y 秒”。在预览播放器或成片播放器里暂停，用时间码记下嘴型与声音明显不同步的起点，再记下恢复对齐的位置，精确到 0.1 秒即可，不必追求逐帧。锚点建议用脚本里能听清的句子起头，例如旁白念到某句时的画面帧。

记录下来后，先区分两种情况：整体偏移是全程固定早或晚一段，结尾仍然对齐；局部漂移是前半段对齐、越往后错得越多。两者的排查方向不同，混在一起看容易误判。

回看音频轨：是否被变速、裁切或替换

这一层只做排除：确认送进生成环节的音频，和最初准备的脚本朗读音频是否还是同一条。需要逐项核对的通常是这四类：

• 整体变速：为了贴合画面长度把音频拉快或放慢，语速变了但口型按原节奏生成。
• 开头或结尾裁切：剪掉前导静音、呼吸声或尾音，时间轴整体前移。
• 重新导出：降噪、换采样率、转格式后再导出，个别工具会改变时长或首帧位置。
• 拼段替换：把某几句单独重录或重新合成后贴回，单段时长与前后不一致。

复测方法是：把未做任何处理的原始音频换回去，脚本分段和生成设置保持不动，只重生成一次，然后看第一步记录的错位区间是否还在。错位消失，问题就在音频处理环节，回到音频编辑里逐项回退；错位仍在，再进入分段层。替换时先确认原始音频总时长与当前音频一致，时长不同就不能直接比较两次结果。

检查脚本分段：单段是否过长、标点是否断错

分段影响的是停顿和句子边界，分段过长时，后半句容易在成片里表现为逐渐漂移。可以先按这个标准拆：一段只放一两个短句，念完一口气不换气为宜；长句在语义完整处拆开，不要从句中间断开；数字、英文缩写、专有名词前后单独处理，避免合读。

标点和停顿时机的对应关系，可以按下面这种方式核对：

段落1: 大家好，今天讲三个问题。      ← 句号收尾，段间长停
段落2: 第一个问题是成本。            ← 短句单独成段
段落3: 第二，稳定性，别和成本混着讲。← 逗号只短停，不切段

把长段拆成短句后重生成，如果同区间错位明显减少，说明原分段过长是主因；如果没变化，分段就不是这一轮要动的变量，避免反复拆句浪费时间。

重新生成时只改一处变量，对比两次结果

归因的前提是一次只动一项：分段、语速或生成设置里挑一个改，其余保持原样。两次成片都保留，用第一步记录的同一区间做对照，不要凭记忆判断。下面这份记录模板可以直接抄进笔记：

对比编号：A / B
输入音频：original.mp3（时长 __:__）
本轮改动项（只填一个）：分段 / 语速 / 生成设置
改动前：段落数 __，语速 __，生成设置 __
改动后：段落数 __，语速 __，生成设置 __
错位区间（改动前）：__s - __s
错位区间（改动后）：__s - __s
结果：变好 / 无变化 / 变差
备注：改动前后成片文件名

如果换了变量结果没变化，说明该项不是主因，把结果记下来继续换下一项；如果结果变差，也保留记录，至少排除了一个方向。

仍对不上时记录可复现信息

三项都试过仍错位，就不要再靠反复重生成碰运气，转成一份可复现材料更省时间。需要记录的项目：

• 输入音频：文件本身、时长、是否做过变速或裁切。
• 分段方式：段落数、是否手工断句、每段大致字数。
• 生成时间：这一版成片的生成时刻或版本标识。
• 错位区间：起点、终点，以及属于整体偏移还是局部漂移。
• 成片文件与抓帧截图：同一时间码的画面对应关系。

把这些材料提交给 Popto 的反馈渠道或对接的技术支持，说明原始音频与成片都在附件里，只描述“口型不对”对方很难复现。若对方需要你补充参数，再按同一格式补一轮记录即可，不必重新走一遍完整排查。