先分清楚是哪一边超了：把每一句的「原片时长」和「合成音频时长」并排量出来，看超长是集中在少数几句，还是每句都多一点点。集中在少数句子，通常是译文比原文长太多；每句都均匀偏长，多半是合成语速偏慢或参数没调到位。判断依据是逐句差值和两轮对照结果，不是听一遍觉得「有点慢」。

配音对不上画面时，先别急着改参数。把每句译文的合成时长与对应原片时长并排量出来，看超长是集中在少数句子还是整体偏移；然后固定译文只调语速跑一轮，再固定语速只压缩译文跑一轮，两轮分开记录总时长和听感。差值集中在少数句子，优先压缩译文；整体均匀偏长且语速还有余地，才动语速。两轮同时改，就分不清效果来自哪一边。

逐句量出译文长度与合成音频时长的差值

先把原片按句子或字幕块切开，一句一条配音文件，命名带上句号，方便后面排序对齐。不切句就只看总时长，很容易把「某一句特别长」误判成「整体语速慢」。

记录表建议至少这几列，落在表格或 CSV 里都行：

原文时长从剪辑时间轴或字幕文件的时间码读；合成时长优先读导出音频文件本身，别只信界面上的估算值。命令行可以用 ffprobe 逐条读：

for f in out/*.wav; do
  d=$(ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 "$f")
  echo -e "$f\t$d"
done

BaoCut 里如果时间轴上每个配音块能直接看到长度，也可以照着抄，但导出后再用 ffprobe 复核一遍更稳。填完后按差值排序：差值最大的前几句是不是同一类句子（长定语、补充说明、口语填充词），还是分散在全篇。同时看总时长差值有多少来自这几句，能直接决定下一步该压译文还是调语速。

固定译文只调语速跑一轮对照

这一轮译文一个字不动，只改语速。语速参数的位置以你实际使用的配置文件或页面设置为准，常见写法类似下面这样，字段名需要按自己的配置替换：

tts:
  voice: "zh_female_01"
  speed: 1.0      # 只改这一项，其余保持不动
  volume: 1.0
  sample_rate: 24000

一次只上调一档，比如从当前值到配置里允许的下一档（0.05 或 0.1 这类最小步进），不要一次跨两档。每档导出一份，单独放目录，文件名里带语速值，避免几份混在一起分不清。

听感变化要记下来，不只记总时长。每档至少记三点：句尾是否被吞音、多音字和数字读法有没有变、连读处是否显得赶。总时长变短但听感发紧，说明已经接近这台音色能承受的上限，再往上调画面对上了、可听度会掉。

固定语速只压缩译文跑一轮对照

这一轮把语速固定回基准值，只动译文。判断某句该压缩的标准很直接：译文字数明显多于原文信息量，或者句子里有可以删掉而不丢信息的修饰成分。压缩优先删重复主语、客套连接词、把「进行确认」改成「确认」这类结构，而不是砍掉句子的宾语。

有几类句子不能压：数字、金额、时间、型号、专有名词、否定词。压缩这些内容容易改变事实，宁可让这一句偏长，再靠画面停顿或缩短前后句来让位。压缩后逐句回读检查点：主语和动作是否还完整、否定是否还在、数字是否仍是原值、指代是否指向同一个人或物。

把两轮结果放在一起决定改哪一边

两轮结果分开看，才能知道总时长变化来自哪里。如果只调语速就让总时长接近画面，说明主要问题是语速；如果只压缩几句译文就大幅收敛，说明问题集中在译文长度。两轮同时改，效果互相盖住，下次遇到同类片子还是得重新试。

按差值大小分档处理：差值集中在少数几句、且单句超出该句画面容量的部分明显，先压译文；差值在每句上均匀分布、单句超出不多，先调语速；两种都有时，先压那些最突出的句子，再看剩下的整体偏移还剩多少，剩下的部分才交给语速。

语速调整要有上限判断：每上一档都要能听清每个字，出现吞音、连读黏在一起、数字读错，就退回上一档。语速是用来补小幅偏移的，不能拿来兜住整段译文超长的情况。

改完后确认音画重新对齐的检查方法

改完不要凭「听着差不多」就导出。具体做法是挑几个关键点回听：每句开头第一个字是否在画面动作起点附近、句尾是否在画面切走之前收住、字幕块与配音起止是否一致。逐句对齐的片子，就把每句合成时长与对应画面时段再比一次，用前面那张表重填一列「调整后差值」。

可接受的偏差通常以几十毫秒到一百毫秒量级作参照，口型特写、字幕严格同步的场景要更严；具体尺度按你的成片用途定，先定一个容忍值再检查，比事后凭感觉争论有效。

仍对不上时，按顺序回查：先看是不是某几句差值依然很大（回到压缩译文那一步），再看每句是否都还略长（回到调语速那一步），最后检查切句是否本身就和画面不同步——切句错了，语速和译文怎么调都对不齐。