自动跟随说话人的镜头是怎么工作的

能自动对准说话人的镜头，会识别出谁在发言，然后把画面切过去。在视频播客里，它做的就是电视演播室里导播的工作：在机位之间切换，让观众始终看到正在说话的人。不同的是，这里不需要有人坐在导播台前。

下面讲讲不同系统是怎么做到的、哪些景别值得组合，以及你能做些什么让效果更流畅。

它解决了什么问题

如果你只用一台固定的全景机位录对话，每个人都显得很小，观众还得猜谁在说话。如果用多台机位，就得有人决定什么时候切换，要么现场切，要么后期剪。一期节目一个小时，这可是一大堆活儿。

自动跟拍镜头替你做了这个决定。

它怎么知道谁在说话

根据设备不同，有几种方式：

靠声音

系统测量每个麦克风或每位参与者的音量。谁的声音持续一段时间最大，就被认定为说话人。这是通话和虚拟工作室里最常用的方法，因为每个人本来就有独立的音频通道。

靠画面

对于实体摄像头，有些设备会分析画面，识别人脸和嘴唇的动作。效果不错，但受光线和角度影响。

靠声源方向

有些会议室麦克风能估算声音从哪个方向传来，再把镜头转过去。会议室里很常见。

在 3D 虚拟工作室里，每个人都有自己的虚拟形象和独立音频，系统能准确知道谁在说话，还能自由移动虚拟镜头，不受实体摄像机的限制。

难点：别把观众晃晕

识别谁在说话是简单的部分。难的是决定什么时候切换画面。好的系统会遵循和真人导播类似的规则：

切之前稍等片刻。 如果有人只是说一句“嗯”或“对”，没必要切画面。要等这个人说了一小会儿再切。
不要切得太频繁。 每秒都切会让人很累。每个镜头都有最短时长。
回到全景，当几个人同时说话或出现沉默时，让观众看到整个场景。
让运动更平滑。 有些镜头不是生硬跳切，而是做一个短促的、有电影感的移动。

值得组合的景别

景别	拍什么	什么时候用
全景	整张桌子和布景	开场、结尾、大家一起笑、激烈交锋
中景	一个人腰部以上	常规发言
近景特写	脸和肩膀	情绪时刻或关键观点
双人镜头	同时拍两个人	群聊中两人之间的一来一回

好的组合能保持节奏：全景帮观众定位，近一点的镜头拉近距离。

怎样说话能让自动镜头更好用

就算系统包揽了工作，你也能帮上大忙：

别抢话。 两个人同时说话，镜头就会犹豫，最后停在全景，或者在两人之间来回跳。
接话前留一拍。 半秒就足够切出干净的镜头。
家里有噪音就静音。 一声狗叫可能让镜头莫名其妙地对准你。
戴耳机。 否则你的麦克风会收进别人的声音，系统可能以为是你在说话。
别人说话时，别发出长长的“嗯——”。 对镜头来说，那也是声音。

如果你负责主持对话，开始前把这些规则讲清楚很值得。更多点子可以参考如何主持一场圆桌讨论。

优点和局限

优点

省下大量剪辑时间：节目录完，镜头切换就已经完成了。
让原本用固定机位会显得很平的形式变得生动得多。
不需要技术团队，也能多人录制或直播。

局限

它不理解内容。如果有人在别人说话时做了个视觉笑点，镜头不会主动去找。
在打断很多、非常激烈的辩论里，切换可能显得跳来跳去。
在大型制作中，它替代不了优秀剪辑师的叙事意图。

对大多数对话类播客来说，优点占上风。而且如果你之后想剪短视频，镜头已经切好会让工作轻松很多。具体做法见把播客剪成竖屏切片。

在虚拟工作室里

在 remocast 里，电影感镜头会在 3D 布景中对准正在说话的人。因为虚拟形象都围坐在桌边，镜头切换的感觉很像电视节目。房间里最多六个人，这就是满屏宫格和一场让人真心想看的对话之间的差别。

如果你还在犹豫播客要不要做画面，可以看看播客做视频还是只做音频。

想看看镜头在你自己的桌边怎么移动？免费创建你的工作室。

常见问题

两个人也能用自动跟拍镜头吗？

可以。两个人时，它会根据谁在说话来回切换，沉默或两人同时说话时回到全景。参与者越多，效果越明显。

两个人同时说话会怎样？

通常系统会保持当前镜头，或者切到全景同时拍到两个人。所以最好约定轮流发言，别互相抢话。

真实摄像头也能自动构图吗？

可以，有些网络摄像头和会议室系统能跟随说话人。它们一般更贵，也受光线和空间影响。虚拟工作室没有这些物理限制。