关键是要将口播录音预处理为带时间戳和语义标签的结构化分镜：先用Audacity清洗音频、切分60–90字句子；再上传至花生AI同步文字稿解析；接着人工校准画面类型与本地素材；最后批量生成多版本视频。
☞☞☞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☜☜☜
要把一场线下活动的口播录音自动配上画面生成宣传视频，关键不是等AI猜内容，而是先让音频变成带时间戳和语义标签的结构化分镜——花生AI能跳过手动剪辑，但前提是音频本身可被稳定切分、每段话有明确的画面指向。
第一步：预处理活动录音，确保可切分
用Audacity或剪映导出纯人声WAV/MP3，删除环境杂音、咳嗽停顿、重复口误；保留原始语速，不加速不降速。这一步不能省，【语速失真会导致花生AI按错误时长分配画面，出现字幕飘移或镜头卡顿】。
把录音转成文字稿，用句号、问号、感叹号为界切分句子；每句控制在60–90字之间。超长句必须手动拆，比如“本次由XX协会主办、XX科技协办、XX基金会支持的‘数字方舟’青年开发者训练营将于11月8日–10日在杭州云栖小镇举办，为期三天，含工作坊、黑客松与成果路演”要拆成三句：主办方信息→活动名称→时间地点→日程构成。
第二步：上传并触发花生AI自动分镜
打开花生AI官网（B站账号登录），点击「上传口播音频」→选择已清洗的音频文件→勾选「同步上传文字稿」（务必粘贴上一步整理好的逐句稿）→点击「开始解析」。
系统会在40秒内输出带时间码的分镜列表，每条含起始时间、文本、推荐画面类型（如“实拍”“MG动画”“图文卡”）。此时不要直接生成，先检查前三条分镜是否准确对齐语音断点——若第一句“欢迎来到数字方舟训练营”被切到第2.7秒才开始，说明开头有1秒静音未删干净，需重传。
第三步：人工校准关键帧与画面类型
方法一：点击分镜右侧「编辑」图标，对含具体数据的句子强制设为MG类型，例如“共吸引127所高校、843支队伍报名”→视觉类型选「数据对比动效」→关键词填“高校数、队伍数”。
方法二：对含空间信息的句子绑定本地素材，例如“主会场设在云栖大会A馆三层阶梯报告厅”→视觉类型选「实拍」→点击「上传本地素材」→拖入你拍的A馆外景+三层指示牌照片（单张≤5MB，支持JPG/PNG）。
方法三：对抽象概念句启用提示词干预，例如“打造开放、协作、可持续的技术共生生态”→视觉类型选「MG」→在「画面描述」栏手动输入“蓝色环形齿轮咬合生长，中心浮现地球与代码流”，避免AI默认用握手剪影这类泛化图。
第四步：批量生成并导出多版本成片
确认全部分镜设置无误后，点击右上角「生成视频」→选择画幅：活动预告用16:9，朋友圈传播选9:16 →勾选「自动加字幕」和「AI配音」（音色选“沉稳男声V3”更适配活动官宣）→等待约3分钟。
生成完成后，页面弹出横版原片、竖版裁切版、无声版三个下载链接。其中竖版已按人脸/主视觉居中智能裁切，无需二次调整；【无声版用于后期叠加现场同期声或领导讲话原音，务必在此步下载，生成后无法再补】。
