SceneMixer
繁體中文
免費註冊

會說話的角色

有會說話角色的 AI 影片

更新於 2026 年 11 月 15 日

簡單說:台詞和畫面是一次同時生成的,不是先產出無聲影片再對嘴。每個鏡頭都會帶上完整台詞,指定的說話者會綁定固定的資料庫語音、加上簡短的語氣指示,並明確註明畫面裡其他人的嘴唇要閉上。對話鏡頭有最低時長限制——英文每秒約三個字——所以台詞絕不會被塞進太短、來不及說完的鏡頭裡。
AI 短劇《黎明面紗》劇照,由 SceneMixer 端到端生成(6 位角色、1 集)
範例黎明面紗高清實拍1 集由 SceneMixer 從劇本端到端產出觀看劇集
SceneMixer 重點速覽你會得到
影片價格預設檔位每秒 $0.06 起(10 點數),頂級檔位最高每秒 $0.47;按下按鈕前,每項價格都會先顯示
片段長度每個生成片段最長 30 秒;一集由各片段合成,合成費用每秒 1 點數
單集試算預設檔位下,一集 60 秒約需 660 點數(影片加合成),以最低的點數單價計算約 $4.11;一部由 30,000 字小說改編、共 10 集、每集 90 秒的影集,約需 10,026 點數,約 $62
台詞直接在影片裡開口說,每個角色一個專屬聲音,15 種語言任選
格式9:16 直式或 16:9 橫式;480P 至 1080P,另有 2K 檔位
免費開始註冊即送 50 點數、15 張免費設定圖、第一集免費分鏡腳本,以及 5 秒免費影片預覽
誰在使用已有 2,900+ 位創作者使用 SceneMixer 生成內容(至少生成過一次的帳號,2026 年 11 月統計)
輸入內容劇本、小說或一句話創意;可上傳 .txt、.docx 和 .md 檔案

聲音和畫面是同一輪生成出來的

要讓角色在畫面裡開口說話,有兩種做法。一種是先算繪無聲影片,再用音軌去驅動嘴巴——也就是對嘴流程,這需要裁切人臉、準備驅動音檔,做出來的結果是嘴巴動得對,但身體沒有表演。另一種是畫面和聲音一起生成,表演和嘴型是同一個決定。

SceneMixer 的流程做的是第二種。預設視頻檔位是視聽一體的:模型會拿到台詞、說話的人、說法,以及一份聲音參考,然後回傳一個已經說出這句台詞的鏡頭。之後不做任何拼接。

重點一覽

送出說話鏡頭時會帶上的資訊
台詞一字不差,只放一次。完全照寫的內容說出來——不會改寫,也不會重新調整節奏。
誰說的要寫明角色,並綁定該角色的語音參考,讓同一個角色在不同集數裡聽起來聲音都一樣。
怎麼說用括號寫簡短指示——壓低聲音、仍帶著笑意、硬擠出平淡語氣。這是表演指示,不是字幕。
畫面裡還有誰會標註嘴唇閉合,讓聽的人不會跟著動嘴。
畫面外的台詞會先在括號裡標註——旁白、講電話、透過對講機——接著描述畫面上所有可見人物的嘴巴都是閉上的。
時長帶對話的鏡頭絕對不會短於台詞需要的長度:英文每秒三個字,中文每秒五個字。

語音是配對選用,不是為每個角色從零合成

在 SceneMixer 裡,每個角色都會從系統預建的音色庫中配到一個聲音——選擇前可以聽三到八秒的樣本,可以重新匹配,也可以從選擇器裡換一張候選,或上傳自己的錄音。之所以採用匹配而不是為每個角色單獨設計聲音,是出於成本與穩定性:設計出來的聲音在每次生成之間會漂移,而且按角色計費;音色庫的聲音則在第一集和第十二集都是同一個聲音。

如果角色還沒分配語音,鏡頭會退回去用文字描述聲音——年齡、質地、音域——交給模型解讀。這是新專案的預設行為;分配語音是你主動做的步驟,不會默默套用到每個角色身上。

時長規則,以及為什麼要有這條規則

四秒的鏡頭裝不下十六個英文單字。不是語速快到聽不懂,就是台詞被剪掉。所以 SceneMixer 的對白鏡頭有一個由台詞推算出的最短時長下限:英文按單字數除以三,中文按字數除以五;短台詞會在上面加一段停頓,而不是壓到理論最短。生成回來時如果鏡頭對台詞來說太短,會在渲染前就被標出並修正,這比等成片出來才發現便宜。

語言

對話語言是專案設定,選一次就好,而且會在台詞最初撰寫時就套用,不是事後再翻譯——所以表演一開始就是用那個語言演出,不是配音。介面支援十五種語言,對話也都能在這些語言下運作;在預設影片方案上,有少數語言偶爾會把個別字念錯,選單上遇到這種情況會直接標示。角色語音頁有更詳細的說明。

它不會做的事

費用

語音已經包含在影片價格裡——沒有額外的音訊費用。影片價格從每秒輸出 10 積分 起(在 最低點數單價 方案大約是 $0.06/秒),到最清晰的方案則是 $0.47/秒;組裝費用是每秒 1 積分。從語音庫配對語音完全免費。新帳號會拿到 50 積分,以及一次最長 5 秒的免費預覽——足夠讓你在決定之前先聽角色開口說話。費率可看 定價頁。

語言

15 種語言的母語對白

以下每一部影集都由同一條 SceneMixer 流程產製,演員以該語言母語演出:介面、工作文件與台詞全為同一語言,完全沒有配音。打開來聽聽看。

查看全部 15 種語言

SceneMixer 與多個工具拼接的差別

多數 AI 短劇的製作流程,是五、六個工具接力。下表列出每個步驟在這裡如何完成,以及它取代了什麼。

步驟在 SceneMixer用多個工具手動完成
劇本與分集規劃貼上劇本或小說,或輸入一句話:系統會解析成角色、場景、道具與可編輯的分集大綱由對話模型寫劇本;你自己分集,再把文字在各工具之間搬來搬去
角色外貌與場景每個角色、場景與道具只繪製一次設定圖,並附加到它出現的每個鏡頭用圖像模型,一次畫一張;你得自己把正確的參考圖上傳到每個片段
鏡頭每集一份分鏡腳本,鏡頭有編號與秒數;影片依同一批設定圖,以 9:16 或 16:9 逐片段生成用影片模型,一個提示詞生成一段,每次都得重新描述同樣的人物
聲音與台詞台詞直接在影片中演出,每個角色一個聲音,15 種語言任選每句台詞用語音合成工具產生,再對每個片段做一次對嘴處理
修正單一鏡頭修改該鏡頭的文字,單獨重新生成那個片段;這一集的其餘部分完全不動重新生成該片段,再重新剪輯時間軸
收尾各片段合成為一個含配樂的單集檔案;會員下載時不帶 AI 標章用影片剪輯軟體接起各片段、加上音樂與字幕,再匯出
發布成片由你自己上傳到 TikTok、YouTube、Instagram 或任何其他地方;系統不會替你發布任何內容一樣手動上傳,和這裡相同

常見問題

這是對嘴嗎?

不是。SceneMixer 在一次生成中同時產生畫面與語音,所以嘴型和表演是同一個決定。不存在把獨立音軌配到無聲渲染上的步驟,也無法驅動照片或已上傳的視頻。

我可以用自己的聲音嗎?

你可以把錄音上傳到 SceneMixer,作為角色聲音的參考。他人的聲音只有在本人同意時才能用。

鏡頭裡在聽的人嘴巴會動嗎?

不應該。SceneMixer 會明確標註畫面裡每一個不說話的角色都閉著嘴,這條指令可以防止聽者跟著台詞動嘴。

旁白和電話通話會怎麼處理?

SceneMixer 會先在演出說明裡寫上「畫外」標記,然後把鏡頭裡看得見的每個人描述成閉著嘴,這樣台詞聽得見,卻沒有人看起來像在說。

為什麼我的對話鏡頭比我寫的還長?

因為台詞需要時間。SceneMixer 會給帶對白的鏡頭一個大約的下限:英文每秒三個單字,中文每秒五個字,很短的台詞會加上停頓。鏡頭時長如果短於台詞所需,會在渲染前修正,而不是等渲染完才處理。

在送出整集之前,先聽聽角色的聲音

免費預覽的長度剛好夠生成一句台詞。

免費試用 SceneMixer

點數方案自 $1.49 起 · Pro $7.99/月 · 開始使用無需信用卡