角色音色
AI 角色音色：从预置库匹配，带试听可换
更新于 2026 年 11 月 1 日
| SceneMixer 一眼看清 | 你能得到什么 |
|---|---|
| 视频价格 | 默认档每秒 ¥0.33 起（8 积分），最高档每秒 ¥2.44；每个价格都在按下按钮前显示 |
| 单段时长 | 每段最长 30 秒；整集由各段合成，合成每秒 1 积分 |
| 一集算下来 | 一集 60 秒按默认档约 540 积分（视频加合成），按最低积分单价约 ¥21.96；3 万字网文做成 10 集 × 90 秒约 8,490 积分、约 ¥345 |
| 台词 | 角色在视频里直接开口说话，一人一声，台词语言 15 种可选 |
| 画幅与清晰度 | 9:16 竖屏或 16:9 横屏；480P 到 1080P，另有 2K 档 |
| 免费起步 | 注册送 50 积分、15 张免费设定图、首集分镜免费，还有一次 5 秒免费视频预览 |
| 输入 | 剧本、小说或一句话想法；支持上传 .txt、.docx、.md 文件 |
为什么是匹配，不是逐角色生成
逐角色「设计」一个声音听起来更定制，实际有两个问题：一是每个声音都要占一次上游的音色槽位、成本按角色数线性涨；二是生成出来的音色不可试听、不可预期，改一次就得再花一次钱。
预置库的做法相反：库里的每个音色都预先合成好一段 3 到 8 秒的样本，你在选择器里点开就能听，选定即用。挑错了换一个，零成本。
默认不配音色，用文字描述
缺省状态下系统不会自动给全员配音色。这是刻意的：没有配音色时，视频链路会回落到角色的文字音色描述（「低沉、语速偏慢、尾音带一点沙」），由视频模型自己决定声音，通常已经够用，而且不会因为匹配错了反而更糟。
你可以随时给某个角色匹配一个具体音色：在人物库里点「匹配音色」，或在音色选择器里自己挑、边听边选。
三种做法，按需要选
- 文字描述（默认）——写清楚声音的质感、语速、口音，交给视频模型
- 预置音色——从库里挑一个，跨集稳定，适合主角
- 上传自己的——传一段你自己的录音当参考（会员功能）
三种可以混用：主角用预置音色锁住，配角用文字描述就行。
声音是和画面一起生成的
这一点和传统流程不同：语音不是后期配上去的，是视频模型在生成画面时一起出的。所以台词写在分镜里、音色标记跟着说话人走，出片时它们会被一起送进去。
由此带来两条纪律：非说话人会被标注闭唇，画外音的那几镜画面里的人都闭着嘴 —— 否则你会得到一屋子嘴在动却没声音的人。
在 SceneMixer 里做 vs 自己拼工具
多数 AI 短剧流程是五六个工具接力。下面是每一步在这里怎么做、替掉的是什么。
| 步骤 | 在 SceneMixer 里 | 自己拼工具 |
|---|---|---|
| 剧本与分集 | 贴一份剧本或小说，或只写一句话：解析成角色、场景、道具和可编辑的分集大纲 | 让聊天模型写剧本，自己拆集，再把文字一个工具一个工具地搬 |
| 角色和场景 | 每个角色、场景、道具只画一次设定图，出现的每个镜头都挂着它 | 用图像模型一张张画，再手动给每条片段传对的参考图 |
| 镜头 | 每集一份带镜号和秒数的分镜；视频按段生成，9:16 或 16:9，对着同一套设定图 | 用视频模型一条提示词出一条，每次重新描述同一个人 |
| 台词与声音 | 台词在视频里直接说出来，一人一声，15 种语言可选 | 每句台词用配音工具生成，再给每条片段做一遍口型 |
| 修一个镜头 | 改那个镜头的文字、只重生成这一段，整集其余不动 | 重出那条片段，再回剪辑软件重剪 |
| 成片 | 各段合成一个带配乐的整集文件；会员可去掉 AI 角标下载 | 用剪辑软件拼片段、配乐、加字幕再导出 |
| 发布 | 成片由你自己传到抖音、快手、视频号或任何平台，站内不代发 | 一样是自己上传 |
常见问题
音色要额外花钱吗？
匹配不花积分。上传自己的声音是会员功能。声音是视频生成时一起出的，不单独计费。
为什么我的角色没有音色？
系统默认不自动配音色，此时视频会按角色的文字音色描述来演。想锁定一个具体声音，在人物库里匹配一个即可。
能试听吗？
能。库里每个音色都有一段 3 到 8 秒的预合成样本，选择器里点开就听。
能用我自己的声音吗？
能，上传一段录音即可，这是会员功能。
同一个角色会跨集变声吗？
配了预置音色就不会——音色跟着人物走。只靠文字描述时，不同段之间会有一些差异。
这是看剧 App 吗？
不是看剧 App。SceneMixer 是做剧的工具：把你的剧本或小说变成角色一致、带台词的分集成片，成片由你自己发到任何平台。