OpenMontage avatar-video 实战：为 HeyGen 数字人视频编写脚本——语速估算、Break 停顿标签与多场景结构

本文基于 OpenMontage 仓库中 avatar-video 技能的核心参考文档 scripts.md，系统讲解如何为 HeyGen AI 数字人（Avatar）视频编写自然、可控、渲染稳定的口播脚本。读完本文，你可以掌握 150 词/分钟的时长估算方法、SSML 风格 <break> 停顿标签的完整语法规则与时长选择标准，并能直接套用产品演示、教程、公告三类脚本模板，完成单场景与多场景数字人视频的文案工程。

1. 脚本在 avatar-video 工作流中的位置

OpenMontage 的 avatar-video 技能围绕 HeyGen 的 /v2/video/generate API 构建，SKILL.md 中定义的默认工作流为五步：

1. 列出头像 — GET /v2/avatars，选择 avatar 并记录 avatar_id 与 default_voice_id；
2. 列出语音（如需要） — GET /v2/voices，选择与头像性别、语言匹配的 voice；
3. 编写脚本 — 组织场景结构，每个场景承载一个概念（本文主题）；
4. 生成视频 — 按场景提交头像、语音、脚本与背景；
5. 轮询状态 — GET /v2/videos/{video_id} 直到状态为 completed。

也就是说，脚本写作处于"素材选型之后、云端生成之前"的关键环节：它直接决定视频时长、节奏与可理解性，而一次云端生成通常需要 5–15 分钟，脚本错误在生成后才能暴露，返工成本很高。因此在 OpenMontage 的生产流水线中，这一步由专职角色负责——avatar-spokesperson 管线的 Script Director 明确要求"为口语而写，而非为幻灯片而写"（短句子、直接动词、每拍一个观点、显式转场），并规定"读起来像宣传册的文案必须重写"。这与 scripts.md 的核心原则完全一致：AI 数字人的脚本与真人出镜脚本的需求不同，需要在文本层面就为 TTS 合成做优化。

2. 语速与时长：150 词/分钟估算模型

2.1 基准语速表

脚本时长的规划基线是：正常语速（speed = 1.0x）约为 150 词/分钟。原文档以此作为粗略估计基准，给出如下对应表：

脚本词数	大致时长
75 词	30 秒
150 词	1 分钟
300 词	2 分钟
450 词	3 分钟
750 词	5 分钟

2.2 时长与帧数估算函数

scripts.md 提供了两个 TypeScript 工具函数：由脚本估算视频秒数，以及换算为 Remotion 帧数（默认 30 fps）：

// Estimate video duration from script
function estimateDuration(script: string, speed: number = 1.0): number {
  const words = script.split(/\s+/).filter(w => w.length > 0).length;
  const wordsPerMinute = 150 * speed;
  return words / wordsPerMinute * 60; // seconds
}

// Estimate frames for Remotion
function estimateFrames(script: string, fps: number = 30, speed: number = 1.0): number {
  const durationSeconds = estimateDuration(script, speed);
  return Math.ceil(durationSeconds * fps);
}

两个实现细节值得注意：

• 分词用 \s+ 空白切分并过滤空串，因此 <break time="1s"/> 这类标签会被计为一个"词"，实际估时长时应以纯口播文本为准，或将标签先行剔除；
• speed 参数直接线性缩放词速（150 * speed），这与 HeyGen 的 speed 字段语义一致——video-generation.md 的 voice 字段表确认 speed 取值范围为 0.5–2.0，默认 1.0。

这一 150 词/分钟的估算基线在仓库中是贯穿一致的：remotion-integration.md 在讲解"并行开发工作流"时同样给出 wordCount / 150 * 60 * fps 的近似帧数公式，用于在 HeyGen 视频生成完成（10–15 分钟以上）之前，先把 Remotion 组合的 durationInFrames 定下来。

3. 句式结构与标点控制

3.1 短句优先

AI 语音对短句的处理更自然。原文档给出的量化标准：

准则	示例
好：每句 10–20 词	"Our platform helps teams collaborate. It syncs in real-time across all devices."
避免：30 词以上的连句	"Our platform helps teams collaborate more effectively by providing real-time synchronization across all devices while also offering offline support and automatic conflict resolution."

3.2 标点即韵律

标点符号直接参与 TTS 的韵律生成，scripts.md 将其归纳为：

标点	效果
句号 .	完整停句，自然停顿
逗号 ,	短暂停顿
问号 ?	语调上扬
感叹号 !	强调（应少用）
省略号 ...	语气拖尾，轻微停顿

这意味着写作时可以"用标点导演"语音：在需要换气的地方落逗号，在需要悬念处用省略号，把真正需要强调的结论句以句号收尾。

4. 使用 <break> 标签精确控制停顿

4.1 标签语法

HeyGen 支持 SSML 风格的 <break> 标签实现精确停顿：

<break time="Xs"/>

其中 X 为秒数（如 0.5s、1s、1.5s、2s）。四条硬性格式规则：

规则	正确写法	错误写法
标签前留空格	word <break time="1s"/>	word<break time="1s"/>
标签后留空格	<break time="1s"/> word	<break time="1s"/>word
秒数带 "s" 后缀	<break time="1.5s"/>	<break time="1500ms"/>
自闭合标签	<break time="1s"/>	<break time="1s"></break>

这些规则在 voices.md 中同样被列为 break 标签的强制要求（"Must have space before/after tag"），两处文档互为印证。一个容易被忽视的前置条件：GET /v2/voices 返回的每个 voice 对象都带有 support_pause 布尔字段（见 voices.md 的响应格式），在写依赖 <break> 的脚本前，应确认所选 voice 支持停顿，否则标签可能不生效。

4.2 停顿时长选择标准

场景	建议停顿	示例
问候语之后	0.5–1s	Hello! <break time="0.5s"/> Welcome to...
章节之间	1–1.5s	...that's feature one. <break time="1.5s"/> Now let's look at...
关键点之前	0.5s	The most important thing is <break time="0.5s"/> consistency.
戏剧效果	1.5–2s	And the winner is... <break time="2s"/> you!
提问之后	1s	Sound good? <break time="1s"/> Let's get started.
列举条目之间	0.5s	First, speed. <break time="0.5s"/> Second, reliability.

按时长的"听感"分级：

时长	听感	适用
0.3–0.5s	短促换气	分句之间、轻量强调
0.5–1s	自然停顿	句子断开、转场
1–1.5s	刻意停顿	章节切换、为关键点铺垫
1.5–2s	戏剧化	揭晓、重要宣布
2s 以上	长停顿	慎用，容易显得不自然

4.3 完整脚本示例

原文档给出三段可直接复用的脚本片段，分别覆盖转场、悬念与列举节奏：

// Section transitions
const script = `
Welcome to our product overview. <break time="1s"/>

Today I'll cover three key features. <break time="0.5s"/>
First, let's look at the dashboard. <break time="1.5s"/>

As you can see, it's designed for simplicity. <break time="0.5s"/>
Every action is just one click away.
`;

// Building suspense
const announcement = `
We've been working on something special. <break time="1s"/>
After months of development... <break time="1.5s"/>
I'm excited to announce <break time="0.5s"/> our new AI assistant.
`;

// List with rhythm
const features = `
Our platform offers three core benefits. <break time="0.5s"/>
Speed. <break time="0.5s"/>
Reliability. <break time="0.5s"/>
And simplicity. <break time="1s"/>
Let me show you each one.
`;

注意模板字符串中的空行：它们只影响源码可读性，口播文本由分词规则处理；真正决定停顿的是标签本身。

4.4 连续 break 的合并规则

多个相邻的 <break> 会被合并为一次总时长停顿，而不是叠加两次处理：

// These two breaks:
"Hello <break time=\"1s\"/> <break time=\"0.5s\"/> world"

// Are treated as a single 1.5s pause

这一行为在 voices.md 的 "Consecutive Breaks" 小节有相同描述（"Multiple consecutive break tags are automatically combined"），可作为稳定行为理解。

5. 脚本结构模板

原文档按视频时长给出三类带占位符的完整模板，均内置 break 标签，可直接替换 [...] 占位后使用。

5.1 产品演示（60 秒，约 150 词）

const productDemo = `
Hi, I'm [Name], and I'm excited to show you [Product]. <break time="1s"/>

[Product] helps you [main benefit] in just [timeframe]. <break time="0.5s"/>

Here's how it works. <break time="1s"/>

First, [step 1]. <break time="0.5s"/>
Then, [step 2]. <break time="0.5s"/>
And finally, [step 3]. <break time="1s"/>

What used to take [old time] now takes [new time]. <break time="0.5s"/>

Ready to get started? <break time="0.5s"/>
Visit [website] today.
`;

结构是"自我介绍 → 核心利益 → 三步用法 → 前后对比 → CTA"，与 Script Director 推荐的 hook / value / proof / CTA 分段逻辑一致。

5.2 教程引言（90 秒，约 225 词）

const tutorial = `
Welcome to this tutorial on [topic]. <break time="0.5s"/>
I'm [Name], and I'll guide you through everything you need to know. <break time="1s"/>

By the end of this video, you'll be able to [outcome 1], [outcome 2], and [outcome 3]. <break time="1s"/>

Let's start with the basics. <break time="1.5s"/>

[Section 1 content - 2-3 sentences] <break time="1s"/>

Now that you understand [concept], let's move on to [next topic]. <break time="1.5s"/>

[Section 2 content - 2-3 sentences] <break time="1s"/>

And finally, let's cover [last topic]. <break time="1.5s"/>

[Section 3 content - 2-3 sentences] <break time="1s"/>

That's everything you need to get started. <break time="0.5s"/>
If you have questions, leave a comment below. <break time="0.5s"/>
Thanks for watching!
`;

注意章节间统一使用 1.5s 的"刻意停顿"（对应 4.2 表中"章节切换"档），而段落内部用 0.5–1s。

5.3 公告（30 秒，约 75 词）

const announcement = `
Big news! <break time="0.5s"/>

We're thrilled to announce [announcement]. <break time="1s"/>

This means [benefit 1] and [benefit 2] for all our users. <break time="0.5s"/>

Starting [date], you'll be able to [new capability]. <break time="1s"/>

Head to [location] to learn more. <break time="0.5s"/>
We can't wait to hear what you think!
`;

6. 面向 AI 语音的写作规范

6.1 应该做

• 口语化写作 —— 大声朗读一遍检验流畅度；
• 使用缩略形式 —— "We're" 而非 "We are"，"It's" 而非 "It is"；
• 拆分长句 —— 在自然停顿点断开；
• 拼写展开缩写 —— "API" 可能被读成 "a pee eye"；
• 用停顿制造强调 —— 引导听者注意力；
• 明确收尾每个章节 —— 不要在思路中途淡出。

6.2 应避免

• 无上下文的行话 —— 技术术语需要解释；
• 冗长的插入语 —— 拆成独立句子；
• 发音歧义词 —— 如 "read"（现在时 / 过去时）；
• 过量感叹号 —— 全文通常一个就够；
• 连珠炮长句 —— 拆成可消化的小块；
• 信息密度过高 —— 用停顿把事实拉开间距。

6.3 发音提示技巧

对可能被误读的词，采用"音素展开"或括号注音的方式写入脚本：

// Technical terms
const script1 = "Our API (A-P-I) handles authentication...";

// Ambiguous words
const script2 = "I read (red) the documentation yesterday...";

// Brand names
const script3 = "Welcome to HeyGen (hey-jen)...";

这与仓库中 voice-performance-director 技能的做法一致——voice-performance-director.md 在供应商脚本中也直接内嵌了 <break time="0.6s"/> 这类停顿标记，说明"文本即表演指令"是该仓库统一的脚本工程思路。

7. 多场景脚本

当脚本跨场景切分（用于不同背景或不同 avatar）时，每个场景对应 video_inputs 数组中的一个对象，脚本写在各场景自己的 input_text 中：

const multiSceneVideo = {
  video_inputs: [
    {
      // Scene 1: Introduction
      character: { type: "avatar", avatar_id: "josh_lite3_20230714", avatar_style: "normal" },
      voice: {
        type: "text",
        input_text: "Welcome to our quarterly update. <break time=\"1s\"/> I'm Josh, and I'll walk you through the highlights.",
        voice_id: "voice_id_here",
      },
      background: { type: "color", value: "#1a1a2e" },
    },
    {
      // Scene 2: Main content (different background)
      character: { type: "avatar", avatar_id: "josh_lite3_20230714", avatar_style: "normal" },
      voice: {
        type: "text",
        input_text: "Let's start with revenue. <break time=\"0.5s\"/> We grew 25 percent quarter over quarter. <break time=\"1s\"/> Here's what drove that growth.",
        voice_id: "voice_id_here",
      },
      background: { type: "image", url: "https://..." },
    },
    // ... more scenes
  ],
};

请求结构中 video_inputs 为 1–50 个场景的数组，input_text 在 voice.type 为 "text" 时必填——这些字段约束与 video-generation.md 的 "Request Fields" 表一致。

场景转场的四条写作建议：

• 每个场景以完整的意思结尾，不要在场景边界切断句子；
• 新场景以简短上下文开场，让听者快速定位；
• 全片保持语气一致；
• 场景开头使用停顿，给画面（新背景）留出被"看见"的时间。

最后一条在多场景模板中可以直接看到：Scene 2 的 input_text 在主题句后紧跟 0.5s 停顿，正是为了给背景切换留出听觉空间。

8. 生成前的脚本测试

在提交完整视频生成任务前，原文档给出四步检查清单：

1. 大声朗读 —— 计时并检查拗口表达；
2. 数词 —— 用第 2 节的 150 词/分钟模型验证预期时长；
3. 检查 break 标签 —— 确认前后空格与语法（4.1 节四条规则）；
4. 短片段预览 —— 对发音没把握时，先生成一段约 10 秒的测试视频。

对应的测试代码取脚本前两句，用 720p 低分辨率生成（更快、更省资源）：

// Test a small portion first
const testScript = script.split('.').slice(0, 2).join('.') + '.';
const testVideoId = await generateVideo({
  video_inputs: [{
    character: { type: "avatar", avatar_id: avatarId, avatar_style: "normal" },
    voice: { type: "text", input_text: testScript, voice_id: voiceId },
  }],
  dimension: { width: 1280, height: 720 }, // Lower res for test
});

补充两点仓库内的配套实践：video-generation.md 指出请求顶层支持 test: true 测试模式（输出带水印、不消耗 credit），可叠加使用；而 remotion-integration.md 建议开发时用 avatar 的 preview_video_url 短视频占位，与正式生成任务并行推进。

9. 语速调节：speed 参数

语速在 voice 配置中通过 speed 字段调节：

voice: {
  type: "text",
  input_text: script,
  voice_id: "voice_id",
  speed: 1.1,  // Slightly faster (range: 0.5 - 2.0)
}

语速	效果	适用场景
0.8–0.9	更慢、更从容	复杂主题、年长受众
1.0	正常	通用
1.1–1.2	稍快	有活力的内容、年轻受众
1.3 以上	快	慎用，可能牺牲清晰度

从源码结构看，speed 的有效范围 0.5–2.0（默认 1.0） 由 video-generation.md 的 voice 字段表定义；同一字段表还定义了 pitch（-20 到 20，默认 0），但 scripts.md 只覆盖 speed——更完整的语音配置（语言过滤、性别匹配、support_pause / emotion_support 特性筛选、自定义音频替代 TTS 等）应参照 voices.md。

10. 小结与延伸阅读

scripts.md 给出的是一套"文本层导演术"：以 150 词/分钟规划时长，用短句和标点控制基础韵律，用 <break> 标签叠加精确停顿，用占位符模板快速产出 30–90 秒的成片脚本，再用小片段预览和 speed 微调兜底。把它放回 avatar-video 技能 的整体工作流中，脚本写作是连接"选头像、选语音"与"生成、轮询"之间的核心创作环节，也是多场景视频能否自然衔接的决定因素。

相关文档索引：

• SKILL.md — avatar-video 技能总览与五步工作流
• voices.md — 语音列表、speed/pitch、break 规则、自定义音频
• video-generation.md — /v2/video/generate 请求字段与脚本长度限制
• remotion-integration.md — 由脚本帧数估算驱动 Remotion 组合时长
• Script Director — 生产流水线中的脚本质量门槛