第一版整体能用、只有几处画面不对时，通常不必整条重出。更稳的做法是把第一版当基线：先不改，边看边把每个问题记成「时间点 + 第几句 + 问题类型」，再按类型分批改——一轮只动一类，改完只看相邻两段的衔接，三轮之后整体检查节奏。这套顺序成立的前提是口播音频本身没问题、句子边界听得清；如果旁白要重录，或者分段整体错位、画面与旁白对不上，那么按句修补通常救不回来，重出更省事。
能按句定位的场景，建议把画面问题拆成「画面内容、切换节奏、单段时长」三类，分三轮各改一类，每轮以相邻两段衔接作为验收点；验证方式是回到原时间点逐句重播，确认切换落在句尾、前后画面不重复、该段没被拉长。边界在于：句子级修补依赖可对齐的转写或波形，且一轮不要跨类改动，否则出问题时很难判断是哪次修改引入的。
第一版先不改，边看边记时间点和问题类型
第一遍只做记录，不动任何参数。边看边改最容易丢线索：改完一处，后面几处的时间点就对不上原来那条了。准备一张问题清单，每个问题占一行，字段固定成四个：
- 时间点：画面出错那一刻的时间码，精确到 0.1 秒即可，不用纠结帧。
- 涉及句子：先填粗的，例如「第2段第3句」，精确到全局第几句留到第三轮之前再做。
- 问题类型：画面内容、切换节奏、单段时长，三选一；当场判断不了就先留空，第二遍补。
- 严重程度：影响理解（说 A 放 B）、影响观感（切在句中、画面重复）、细节瑕疵（配色、边距），三档足够。
清单可以先写成纯文本或 JSON，方便后面按类型筛：
[
{ "timecode": "00:12.4", "sentence": "第2段第3句", "type": "画面内容", "severity": "影响理解" },
{ "timecode": "00:31.8", "sentence": "第4段第1句", "type": "切换节奏", "severity": "影响观感" },
{ "timecode": "00:47.2", "sentence": "第5段第2句", "type": "单段时长", "severity": "影响观感" }
]一条视频的问题数量通常不会太多，收齐一轮再动手，比边看边改少几次返工。
把问题归成画面内容、节奏、时长三类
三类问题的改法不一样，混在一起改，改完之后说不清是哪一类没改对。判断标准可以这样切：
- 画面内容：口播提到的东西和画面对不上，或者画面里出现了不该出现的元素。判断句：把这一段静音看一遍，能否看出它在讲什么；看不出就是内容问题。
- 切换节奏：画面切换落在句子中间、一句之内连切好几次、或者一段静止很久没有变化。判断句：切换点是否落在句尾或句间停顿上。
- 单段时长：某段明显比周围长或短，导致旁白说完了画面还在，或画面没讲完就跳走。判断句：这一段的画面时长和这句话的口播时长是否大致齐平。
每类先挑一两个最典型的处理，别一次把清单清空。内容类最典型的通常是「说的名词对应到错的画面」，节奏类最典型的是「切在句中」，时长类最典型的是「结尾那句画面被拉长」。先改这三处，往往能看出这一类问题是不是系统性的：如果同类问题满地都是，说明不是单点失误，而是分段或模板设置的问题，回到上游调更划算。
从问题时间点倒推是哪一句口播
修改指令要能对准具体句子，否则只给一个时间区间，生成出来的改动通常会波及前后两句。定位有两步。
第一步，把时间点换成句子序号。常用三种办法：
- 波形定位：在编辑器里放大波形，口播的波峰之间有明显凹陷，凹陷处就是句间停顿，数凹陷比听更准。
- 逐句播放计数：从段落开头播，每听到一句停顿就记一次数，配合时间码读秒。
- 带时间码的转写对齐：先拿到逐句转写，把每句的起始时间贴到清单的「时间点」旁边，误差通常在零点几秒，够用了。
转写不齐时，可以先让模型只做切分不做改写：
把下面这段口播按句子切分，每句输出：全局序号、所属段落、该句前 6 个字。
只做切分，不改写任何文字，不合并句子。
口播文本：……第二步，用双编号记句子：全局第几句加第几段第几句。全局编号方便直接下指令，段落编号在改完一轮、前面句子被合并或拆分之后仍然稳定。两个都记在清单里，后面回查不至于对不上。下修改指令时把两个编号一起给：
定位：第2段第3句（全局第7句，约 00:12.4 起）
只改这一句对应的画面：把当前画面替换为……
该句前后各一句的画面与时长保持不变。一轮只改一类，改完先看相邻两段衔接
改完立刻验收，但只看相邻两段，不做全片通看。局部改动最容易牵连的正是接缝处。复核项固定成三条：
- 切换点是否落在句尾：从上一段末尾半句开始播，听切换发生时旁白是不是正好说完。
- 前后画面是否重复：新画面和上一段结尾、下一段开头是否用了同类构图或同一素材，重复会让观众以为卡住。
- 该段时长是否被拉长：换完画面后这一段的总时长有没有变化，拉长会挤压后面几段的起点。
如果有可用的媒体信息命令，可以顺手核对片段时长，比肉眼判断稳：
ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 segment_02.mp4三条里有一条不过，就只回退这一轮的这一处，不要顺手把节奏问题也一起改。跨类改动混在一轮里，出问题后无法归因。
三轮改完再整体看一遍节奏
局部都对，整体仍可能变拖，因为每一轮都可能略微拉长单段。三轮之后完整看一遍，只检查三件事：
- 开头几秒有没有信息：前几秒是否已经在讲事情，还是停留在片头或空镜。
- 各段时长差：最长段和最短段差得是否离谱，明显偏长的段落往往是上一轮换了画面后没有回裁。
- 结尾是否收住：最后一句说完画面是否同步结束，有没有多留一截空画面。
发现问题时按现象回退，而不是从头再来：整体变拖，回到时长那一轮重挑偏长的段落；开头信息不足，回到画面内容那一轮补一屏带信息的画面；结尾散，只动最后一段，不碰前面已经验收过的段落。回退一次仍然不对，再考虑整条重出——判断依据是问题是否已经从「几处画面」变成「分段结构不对」。