先不要急着去调整 LibTV Agent 的口型参数。配音和画面之所以对不上，多数情况是因为音频采样率和视频帧率这两个基础参数没有统一，或者生成顺序把节奏定在了一条错误的时间线上。建议先把导出素材用 ffprobe 检查一遍，再把偏移量放到剪辑时间线上测量清楚，然后判断这是整段整体位移，还是每句逐渐累积的漂移。前者通常只需要修正起始时间和重采样就能处理，后者要回到句子切分和生成顺序上解决。

适用场景：LibTV Agent 导出的数字人视频，声音和口型整段或某几句对不齐。操作动作：先用 ffprobe 核对音频采样率、视频帧率与容器时间基，再在时间线上测量偏移量。验证方式：看每句偏移量是否恒定；恒定就按整体位移处理，逐句递增则按时间基准或断句问题处理。风险边界：统一这些参数只能排除基础错位，如果语音断句本身就和镜头脚本不一致，仍需重切句子并重新生成。

用 ffprobe 查看音频采样率和视频帧率

ffprobe 是排查的起点，因为它能把“猜”变成“看”。分别查询音频流和视频流，不要只看封装格式；mp4、mov 只说明容器，不说明内部参数。把下面两条命令在导出文件上执行一遍，原始配音文件和成品视频都要查。

# 音频流参数
ffprobe -v error -select_streams a:0 \
  -show_entries stream=codec_name,sample_rate,channels,time_base,duration \
  -of default=noprint_wrappers=1 input.mp4

# 视频流参数
ffprobe -v error -select_streams v:0 \
  -show_entries stream=codec_name,r_frame_rate,avg_frame_rate,time_base,nb_frames,duration \
  -of default=noprint_wrappers=1 result.mp4

字段含义可以这样理解：sample_rate 是音频每秒采样点数，常见 48000 和 44100；r_frame_rate 是标称帧率，形如 25/1；avg_frame_rate 是平均帧率，两个值不一致通常说明是可变帧率；time_base 是时间基，例如 1/12800 表示时间戳以 1/12800 秒为单位；duration 用来交叉核对音视频时长是否一致。

• 音频采样率：配音、背景音和 LibTV Agent 输出建议统一用 48000 或 44100 中的一种，不要混用。采样率不一致时，部分工具会按错误速率解释音频，听感上音调偏移，画面上表现为口型整体提前或滞后。
• 视频帧率：优先使用恒定帧率，判断标准是 r_frame_rate 与 avg_frame_rate 输出相同；混用 25/1 与 30000/1001 这类接近但不相等的帧率，逐句漂移的概率会明显变高。
• 时长对齐：音频 duration 与视频 duration 的差值，建议控制在一帧以内，例如 25fps 下约 40ms；差值远超一帧时，先处理时长差异，再谈口型。
• 需要更细的定位时，可以加 -show_frames 查看音频或视频帧的 pts_time，确认第一帧起始时间是否从 0 开始。

对比 LibTV Agent 生成口型的时间线偏移

参数确认之后，下一步是测量偏移。把导出视频放进剪辑软件的时间线，同时放入原始配音波形，选中第一句、中间一句、最后一句三个采样点，逐帧步进找到口型开始张开的时刻，和音频波形上对应字头的位置做差。记录的是“差值”，不是“感觉快了一点”。

判断规则可以按这个顺序：三个采样点偏移量基本相同，属于整体位移，一般来自起始时间差、采样率解释不一致或合成时的时间偏移；偏移量随句数递增，属于逐句漂移，通常和帧率不恒定、音频时长被拉伸、句子边界跨镜头有关；偏移量忽大忽小且没有规律，往往是个别句子断句错误，需要回到第 3 节处理。偏移量统一用帧或毫秒记录，同一批素材用同一种单位，便于横向比较。

把配音按句子切分并重新对齐镜头

逐句漂移的根因多在句子边界。整段音频一次性驱动口型时，任何一处断句误差都会往后累积；按句切分后，每句都有自己的对齐起点，误差被限制在单句内。切分点建议落在句间静音段，先看波形找静音，再定切点，不要切在字中间。

# 按句切分，start/end 用秒或时间码换算
ffmpeg -i voice.wav -af atrim=start=3.120:end=7.480,asetpts=PTS-STARTPTS \
  -ar 48000 -ac 1 line_03.wav

切分后重新整理一份对齐表，把句子编号、句子切分点、对应镜头编号和对齐后的时间码写在同一个表里，交给 LibTV Agent 逐句生成或逐段驱动口型。同一镜头内可以合并成一段，跨镜头的句子建议拆开，避免一句话的口型被拉进两个镜头。

调整生成顺序先音频后视频

先出画面再补配音，等于让口型去追一段后来才确定节奏的音频，错位几乎是必然的。建议调整为：先定稿配音并完成切分，再让 LibTV Agent 基于每句音频生成口型或数字人片段，最后统一合成。如果当前工程已经是先出画面，可以只重跑受影响的句子，不必整片重生成，但重跑顺序仍要按音频在前。

1. 把定稿配音按句子切分，确认每句采样率、声道一致，输出待用音频。
2. 在 LibTV Agent 中导入音频并建立句子与镜头的对应关系，先生成或先驱动口型，再确认单句时长。
3. 基于单句口型结果再合成镜头，避免用长音频驱动长镜头。
4. 导出前在预览里逐句核对，重点是句子切换和镜头切换这两个位置。

• 预览检查点一：每个镜头的第一句，口型开口是否和音频字头同时出现。
• 预览检查点二：每句结尾，口型是否在声音结束后闭合并停住，而不是继续动。
• 预览检查点三：镜头切换处，是否存在上一句尾巴被切掉、或下一句提前进入的情况。

导出后逐句检查口型同步

重新生成后必须再查一遍，因为切分和对齐本身可能引入新的偏移。检查方式可以沿用第 2 节的逐帧对比，但改成对每一句都记录，而不是抽样。偏差在半帧以内可以视为通过，例如 25fps 下约 20ms；超过一帧建议回到对应句子重新对齐，不要靠整体平移掩盖局部误差。

整轮检查结束后，再对成品跑一次第 1 节的 ffprobe，确认调整过程中没有把采样率或帧率改回去。参数一致、偏移量恒定、逐句偏差都在半帧以内，这三条同时成立时，才算把配音和口型对齐这件事处理完。