口型与语音不匹配需校准：先定位闭唇音时间戳t_audio，对比画面嘴唇状态判断偏移方向；导出含音素时间戳的json（须启用“高级对齐分析”）；计算offset=a−l并带符号填入“嘴形对齐校准”；最后逐帧验证误差≤0.02秒。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
当你在百度一镜数字人生成视频后发现口型和语音明显不匹配，比如“啊”音发出时嘴唇还闭着、“p”音爆破瞬间嘴已张开，说明文本驱动的音素-口型映射出现了时间轴偏移，必须重新校准同步关系。
确认错位类型与基准帧
打开生成完成的MP4视频，在播放器中逐帧播放（推荐VLC按E键单帧前进），定位一个清晰可辨的闭唇音（如“b”“p”“m”）出现时刻，记下该音在音频波形上起始位置对应的时间戳T_audio；再观察同一时刻画面中嘴唇是否处于闭合状态——若嘴唇尚未闭合或已张开，则存在负向/正向偏移。
这一步不能跳过。跳过会导致后续所有偏移量设置方向错误，越调越脱节。
导出原始文本与音频对齐数据
进入百度一镜控制台 → 项目详情页 → “生成记录” → 找到对应任务 → 点击“导出调试数据”。
该操作会下载一个JSON文件，内含每段文本切分后的起止时间、对应音素序列及模型预测的口型关键帧时间戳。注意：仅当任务启用“高级对齐分析”开关时，此数据才包含亚帧级时间戳。
【未启用“高级对齐分析”则无法获取精确音素时间戳，校准将失去依据】
调用百度PaddleOCR‑VL大模型API，支持PDF、Word、PPT、图片等多格式文档解析，精准识别印刷体、手写体、表格、公式、图表、印章等复杂元素，支持100+语言，可处理不规则布局和跨页长文档。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。
计算并应用嘴形对齐校准偏移量
第一步：用文本编辑器打开导出的JSON，找到首个闭唇音素（如"b"）的audio_start字段值（单位：秒），记为A；再找到同一音素在lip_sync_frames数组中对应的第一帧时间戳，记为L。
第二步：计算偏移量offset = A − L。若结果为正（如+0.037），说明口型动作滞后，需整体前移；若为负（如−0.022），说明口型抢拍，需整体后移。
第三步：在生成参数配置页 → “高级设置” → “嘴形对齐校准” → 输入计算所得offset值（保留三位小数），重新提交合成任务。
这一步必须输入带符号的数值。输成绝对值会导致校准方向完全相反。
验证校准效果
新视频生成完成后，仍用VLC逐帧比对同一组闭唇音。
若嘴唇闭合时刻与音频波形突起时刻误差≤0.02秒，即视为校准成功。
