AI 生成会说话的人物：声音与画面一起出

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。

常见问题