佬们，最近在琢磨 AI 视频的制作流程，有个音画同步的问题想请教一下。用 MiniMax、Flow 这类工具生成视频时，我比较希望同一个角色在不同镜头里都能保持同一种声音，目前想到的方案是：视频模型负责出画面，人声单独用 TTS 小模型生成，最后再合成。 
但这样就有个问题：台词的长度、停顿和视频里人物开口的时间不一定一致，还要对口型。最后还是会变成每句话都得手动剪，一段段对，做长一点或者多几个镜头就很麻烦。 
想问问实际做过的佬，除了逐句手工调整，有没有比较成熟的流程？主要想听听大家实际跑通的方案，用了哪些工具或工作流。如果有中文台词的经验就更好了，欢迎分享项目、教程或者踩坑记录，感谢！