一段多镜头 AI 视频，画面和节奏都能用，偏偏某句台词换了语言，最容易让人直接重跑整段。但先别把所有问题都归到“提示词不够强”。需要分清楚：是角色台词本身跑偏，背景人声混进了不想要的语言，还是后期替换音频时版本配错了。三种情况对应的返工范围完全不同。
我会先做一个很小的定位表：镜头编号、预期说话人、应说的文字、指定语言、实际听到的内容、有没有环境人声、音频从哪一步产生。检查时只看可听见的结果，不凭画面里的字幕或脚本猜测。若生成过程分了镜头段落，就标出第一次出错的段落和前一个正常段落；这样能判断错误是否跟某个场景、人物或音轨设置一起出现。
对提示词可以做一轮低成本的隔离测试。把总片里有关语言的要求提前写清楚，再在每句台词旁标明说话人和语言；把“台词”和“动作、氛围声”分成不同小节。学校走廊、街道、聚会这类场景，如果不需要可辨认的背景讲话，直接要求只有无词的人声氛围，或干脆不要背景人声。不要同时改角色设定、镜头调度和台词内容，否则即使新版本正常，也不知道是哪项修改起了作用。
如果错误只发生在一段长镜头里，可以先缩短测试范围，把几个台词节拍拆成可独立剪接的短段。判断标准不只是“这次语言对了”，还要听口型、停顿、语气和下一镜头的声场能否接上。若台词必须逐字准确，应该把独立录制或生成的配音作为候选工作流，画面与音频分开审核，再检查唇形与环境声衔接；是否可行取决于项目对自然度和剪辑自由度的要求。
还有个容易漏掉的点：别把任何模型对某种语言的支持情况当作通用结论。入口平台、版本和音频模式可能不同；未经官方说明核实，就只把“该项目里某段输出不符预期”记录为具体故障。需要给客户看时，附上测试条件、失败片段和替代方案，而不是声称某工具一定能或一定不能处理某语言。
你们遇到台词突然换语言时，通常先改提示词、拆镜头，还是直接做后期配音？如果有必要保留现场感，大家会怎样划分“必须原声生成”的镜头和“可以后期替换”的镜头？