會說話的角色

有會說話角色的 AI 影片

更新於 September 20, 2026

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《星隕指揮所》劇照，由 SceneMixer 端到端生成（7 位角色、1 集） — 範例：《星隕指揮所》— 真人寫實高清畫質，1 集，由 SceneMixer 從劇本端到端產出 · 觀看集數

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。

這套流程用的是第二種。預設的影片方案是影音同步生成：模型會拿到台詞、說話者、說話方式，以及語音參考，然後回傳一段已經把台詞說進去的鏡頭，後續不需要再縫合任何東西。

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

每個角色都會從預建的系統語音庫裡分配一個聲音——你可以先聽三到八秒的試聽再選，也可以重新配對、從選單換一個，或是上傳自己的錄音。之所以用配對而不是為每個角色客製聲音，是為了成本和穩定性：客製聲音在不同次生成之間容易飄移，而且每個角色都要額外花費；資料庫語音則從第一集到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

四秒的鏡頭塞不下十六個英文單字。不是講得太快到聽不清楚，就是台詞被切掉。所以對話鏡頭會依台詞設最低時長：英文用單字數除以三，中文用字數除以五；短句還會額外加一點停頓，而不是壓到理論上的最短長度。如果鏡頭回來時短到塞不下台詞，會在算繪前就被標出並修正——這比等成品出來才發現問題便宜得多。

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

複製真人的聲音。 不提供這項功能。你可以上傳自己的錄音，做為自己角色的語音參考。
對你上傳的現有影片或照片做對嘴。 台詞來自生成，不是用來驅動既有畫面。
精準卡準某一句台詞的長度。 只會強制最低時長；實際說話長度由模型決定。
把字幕燒進畫面。 畫面裡不會算繪任何文字。字幕要等匯出後再加上去。
保證每個專有名詞的發音都完美。 尤其是自創名字，建議你在送出整集之前先預聽。

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 credits 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 credit。從語音庫配對語音完全免費。新帳號會拿到 50 credits，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