说话的人物
AI 生成会说话的人物：声音与画面一起出
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 |
音画同生意味着什么
好处是口型和声音天然对得上，不需要额外的对口型步骤，也不需要为配音再花一次钱。
代价是这一次生成决定一切：台词写错了、说话人标错了，不能只重配音，得重出这一段。所以出片前把分镜读一遍是最省钱的动作——改文字免费，重出视频每次都再扣一次。
谁在说、谁不说，要写清楚
不说话的人会被显式标注闭唇。没有这一句，画面里常出现两三个人嘴同时在动、却只有一条人声的情形。
画外音那几镜，画面里的人全部闭嘴——声音来自画面之外。旁白、电话那头、对讲、广播都是这一类，在台词的括注里标明即可。
说话人如果不在这一镜的画面内名单里，会自动按画外音处理，不给他挂脸。
能做到什么程度
实话实说：口型对得上是概率性的，不是保证。近景单人说话最稳；多人同框、快速交替对白、侧脸和远景都会明显变差。
实用的做法是把对白拆开——一句一镜、切到谁说话就拍谁。这在一段内部是免费的（一次生成里的切换），比让三个人在一个中景里轮流说话稳得多。
声音从哪来
角色配了预置音色就用那个；没配就按角色的文字音色描述来演。语速与语气受台词括注里的演法提示影响。
台词会被逐字念出来，不改写、不增删。所以台词里不要写「他解释了半天」这种叙述，那会被当成台词念出来。
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
需要单独做对口型吗？
不需要。默认的视频模型是音画同生的，生成那一次就把画面、口型和声音一起出了。
口型一定对得上吗？
不保证。近景单人说话最稳；多人同框、快速交替对白、侧脸远景会明显变差。把对白拆成一句一镜会好很多。
能只重新配音吗？
不能。声音和画面是同一次生成的产物，改台词要重出这一段。所以出片前把分镜读一遍最省钱。
为什么画面里好几个人嘴在动？
那一镜没有把非说话人标成闭唇。分镜里补上这一句，改文字免费。
旁白怎么做？
在台词括注里标成画外音。那一镜画面里的人会全部闭嘴，声音来自画面之外。
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。