一个人做口播视频，流程通常是：写稿、背稿、录坏好几遍、再一句句加字幕、最后想配个旁白又得重新录。这篇教程用剪映（海外版 CapCut）的 AI 功能把这几步串起来，你只管写文案，剩下的它帮不少。
准备清单：剪映 / CapCut 账号（手机或电脑版都行）、写好的一段口播文案（300 字内最顺）、一个安静的录制环境。AI 功能在免费档大多可用。
第一步，打开"提词器"，把文案粘进去，设置滚动速度和字号。预期结果：录制时稿子浮在画面下方跟着走，你不用背，看着念就行，眼神也不会飘。
第二步，录完导入剪辑，用"自动字幕"一键识别语音生成字幕。提示词式操作是：
识别这段口播的语音，生成中文硬字幕，自动去除语气词（比如"呃""那个"），并把每句字数控制在屏幕两行内。
为什么这么填："去语气词"是口播观感的关键，"两行内"是避免字幕占满屏。预期结果：干净的字幕自动贴好，不用逐句手打。常见报错：识别错别字，手动改几个关键词即可，不必重录。
第三步，想加旁白又不想自己念？用"AI 配音"选一个贴近你调性的音色生成。预期结果：一段自然的旁白轨，和画面对齐。
两个省时间的延伸：一是把成片的第一帧或某句高光设为封面，平台预览时点击率差别不小，别用默认黑帧；二是如果你有一系列同主题口播，把文案存成模板，每次只换核心信息，配合同样的字幕样式和配音音色，整套视频会有"系列感"，观众更容易追更。批量做的时候，先统一导出音频再做字幕识别，比边剪边识别稳得多。
效果与验收：成功的标志是——一条口播从文案到成片，你没离开剪映就搞定了，且字幕干净、节奏顺。如果自动字幕卡顿，先导出音频再识别会更稳。
进阶方向：用 Suno 这类工具给口播配一段专属 BGM，视频质感立刻不一样；需要画面素材时，可灵的片段也能当转场补进来。本站收录的 CapCut、Suno、可灵可串成你的口播流水线。