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

| 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
| 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
- 不要複製你無權使用的聲音。 你可以上傳自己的錄音,作為自己角色的參考;改臺詞裡的原聲,會從片段本身複製角色的聲音。
- 讓你上傳的照片對嘴。 SceneMixer 的語音來自生成,而不是驅動一個現成畫面;上傳的影片只有透過復刻的替換才會獲得新臺詞,它會重新生成有改動的部分。
- 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 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。
A Carta de LisboaPortuguês母語對白
윈터 프라미스한국어母語對白
El Secreto de CostaEspañol母語對白
浪人の誓い日本語母語對白
Ikrar JakartaBahasa Indonesia母語對白
Зимняя коронаРусский母語對白
L’Héritier du DéfiléFrançais母語對白
Il Tavolo dell'OlivaItaliano母語對白
De Vuurtoren van de FjordNederlands母語對白
العهد الصحراويالعربية母語對白
Çantasındaki SözleşmeTürkçe母語對白
Die Istanbul-TäuschungDeutsch母語對白
Останній сигналУкраїнська母語對白
問劍青雲繁體中文你的語言
The Last EnvelopeEnglish母語對白
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。