短视频口播稿撰写SOP

要解决的问题

短视频口播稿最常见的死法不是选题差，而是前 5 秒留不住人：钩子写成“你有没有发现”式的泛问，正文用“首先…其次…最后”的学术腔，念出来像念论文。另一端是 TTS 合成环节：带 JSON 参数的 API 调用如果手写 curl 传中文，转义引号会被吞掉导致签名失败，稿子写得再好也出不了音轨。

技能如何工作

钩子铁律把模糊场景挡在门外：

• 事实依托优先，用具体数值替代“第五句话就忘”这类模糊描述；
• 钩子类型优先级：数据反差 > 翻车自曝 > 结果前置 > 泛问开场（最差）；
• 前 5 秒必须有数字、画面或冲突，且不重复已讲过主题的旧切入。

结构规范保证口语化：禁用“1. 2. 3.”编号和“首先其次最后”句式，改用“第一坎/第二个/第三个”等口语过渡；收尾不硬切下集预告，用“就是那个…”自然连接。

TTS 合成规范给出可落地的工程参数：

• voice_id 通过配置或环境变量注入，不硬编码在稿件里；
• 全片拆成 8 段以内，每段 ≤300 字，分别合成再拼接；
• 单段约 33KB/秒，180s 典型产物约 3.6MB（24kHz mono 160kbps）；
• 调用 API 用脚本语言，不要手写 curl 传中文 JSON，避免签名失败。

录屏演示模式要求录屏贯穿全片而非独立板块：台词全部 TTS 合成、每段 8–15s、错了只重录该段；卡片标注统一为高亮框 + 箭头 + 文字标签，覆盖在录屏之上。

适用边界

这套 SOP 不主张“AI 万能”：不写 AI 做不到的事，工具不是辩论对手；描述迭代时避免“三个月前搭的”这类精确时间线，改用模糊时间线，以免暗示不稳定。比喻体系同样有边界——修仙/玄幻类比喻效果好，但每次找新术语成本高且不可持续，建议直接说事实或使用通用生活比喻。