翻拍：系統如何從片段讀取台詞與音樂，以及最終會出現在你劇集裡的內容

簡單說：系統會把片段裡的每個鏡頭聽兩次：第一次由語音辨識判斷「有沒有人說話、說了什麼」，接著再交給描述鏡頭的模型，以辨識出的文字為基礎作業。因此台詞是直接引用，不是從嘴型猜的；沒有人說話的鏡頭會標記為靜音。如果片段有音樂，讀取時會記下它的風格，你之後生成的每個片段都會帶有同樣的簡短音樂提示，就像廣告一樣。對白語言會在上傳畫面選擇，讀取開始後就固定：台詞會以該語言寫入；如果原始片段說的是其他語言，就會翻譯成該語言。辨識器聽不清楚的台詞會直接留空；等分鏡生成後，你可以對照原始片段，在編輯器裡把它加回對應鏡頭。

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

讀取完成後，請到步驟 3 打開該集，查看大綱：每個場景區塊都會以「說話者：台詞」的格式列出內容。

台詞是怎麼被聽到的

語音辨識會針對每個鏡頭各自的音訊執行。辨識到的內容會交給鏡頭描述模組，標示「這裡說了這些話」；描述器再依據畫面中的人臉判定說話者，並把台詞寫進該鏡頭。人聲底下的音樂會被妥善處理；但在人群中大喊、口音很重，或是台詞非常小聲的狀況下就容易失敗，這時系統會直接略過而不會編造內容。台詞接著會像劇本一樣出現在大綱裡：寫出容易被辨識的對白。

A storyboard segment: location, time and weather fields, then numbered shots with durations, asset chips and spoken lines — 每個鏡頭都會被聽取；聽到的內容會被引用進讀取結果，最後成為大綱裡的台詞。

為什麼要用引用，而不是用猜的

如果完全交給視覺模型回答「這裡說了什麼」，同一個鏡頭有時聽得到、有時聽不到，而且不確定時還會編出看似合理的台詞。把辨識出的文字固定放進描述裡，就能避免這兩種問題；每次描述同一個鏡頭時，都會使用完全相同的文字。

音樂

讀取時會一次性判斷片段是否有音樂、是哪種類型。如果有，你生成的每個片段都會帶有一行符合該風格的音樂提示，讓生成出的片段具備同樣特質的音樂；原始音軌本身絕對不會被直接使用。環境音會被記錄，但不會沿用。音樂從哪裡來。

對白語言

對白語言在上傳畫面選擇，預設為你的介面語言（中文網站一律為中文），讀取開始後就固定不變。聽到的其他語言台詞會被翻譯成這個語言。翻拍一旦開始就無法事後更改，這也是為什麼步驟 1 沒有提供下拉選單。讀取完成之後。

當台詞漏掉或有錯時

大綱本身不能編輯，分鏡也會逐字照搬大綱裡的台詞。請先生成分鏡，再打開台詞所屬的片段，在那裡連同說話者一起新增或修正；說話者標錯的狀況也用同樣方式修正。編輯不收費。生成分鏡。

在片段中	在讀取結果中	在你的劇集裡
清楚的口說台詞	引用內容，並標註說話者	成為大綱裡的台詞
沒有人說話	鏡頭標記為靜音	沒有台詞
語音不清楚	略過不寫	手動在片段中補上
音樂	記錄其風格	每個片段都使用同風格的音樂
環境音	會被記錄	不沿用；分鏡會自行編寫

常見問題

為什麼會少一條台詞？

因為辨識器聽不出來。等分鏡建立後，請對照你的原始片段，在對應片段中手動補上。

會使用原始的人聲嗎？

不會。人聲來自演員的語音設定，和一般專案相同。

翻拍的對白可以和原始語言不同嗎？

可以。在上傳畫面選擇對白語言，讀取時就會把台詞翻譯成該語言。

原始音樂會被重複使用嗎？

不會。系統只會描述它的風格，再由各片段自行生成對應音樂。

為什麼人群喊叫沒有台詞？

群體雜訊會被視為背景音，而不是對白。

聽到、引用、寫入

片段裡說了什麼，你的劇集就會說什麼。

開始翻拍

更新於 2026 年 9 月 27 日