第一次看到数字人口播视频的人，通常会先注意到画质，但看满三十秒之后，真正决定"像不像"的其实换了别的东西。我们内部做过一轮盲测，把十几条视频给人看，问哪条最假——结果和画质高低几乎没关系。
真正让人出戏的三件事
- 断句不自然：把书面语的标点直接当停顿用，念出来就是"播报腔"。人说话不会在每个逗号处都停下来。
- 节奏一条直线：整段语气平得像在读说明书。真实的口播会有轻重、有快慢，重点句会放慢。
- 口型和声音对不上：哪怕只差一两帧，观众的潜意识立刻就捕捉到了。
我们的处理顺序
顺着这个结论，我们调整了优化顺序——不再是"先把画面做好"，而是：
- 先把文案改成适合听的写法，短句为主，去掉书面连接词；
- 再处理停顿与重音，让节奏有起伏；
- 最后才去调口型同步与画面表现。
顺序反了的话，画面再精致，听起来还是像机器在念稿。
一个具体例子
同一段文案，我们做过两版对比：一版是标准的书面表达，一版换成了短句、加了口语停顿。两版用的是同一个形象、同一套画质参数。给测试者听的时候，第二版被普遍认为"更像真人"，而且没有人提到画质。
这也是我们做飞欧 AI 时的一个基本取向：先把"像人在说话"这件事解决掉，再去谈画面。毕竟口播视频的目的是让人听进去，而不是让人欣赏渲染效果。