AI 對嘴影片生成器

你的照片

002003004005

生成出來的——畫面和聲音一起

4 到 15 之間任何一個整秒，24 影格每秒，768P 或 2K，十一種我們從頭到尾跑過的語言。JPG、PNG、WEBP、HEIC 和 HEIF 都能直接進，這一點值得說，因為人的照片大多是手機拍的，而多數工具都會不聲不響地要你先轉檔。手機隨手拍常常比精修的形象照動得更好——修圖會把動起來所需要的那層質感抹掉。能選的話，讓牙齒露出來：閉著的嘴不帶任何關於唇後是什麼的資訊，模型只好自己編一個口腔，而編出來的口腔正是讓人一眼覺得不對的地方。

你的照片就是第一個影格

001

你的照片就是第一個影格

任何一個整秒

4–15 秒

任何一個整秒

完整跑過的語言

11

完整跑過的語言

聲音來自同一次生成

立體聲

聲音來自同一次生成

• 不用先做音訊檔
• 不用逐個影格對時間軸
• 不用另外跑一遍對嘴

做好的那一支對嘴

AI 對嘴做對了是什麼樣

16:9 · 6s

完整的提示詞，不是摘要

Reference the Hitchcock camera movement from Video 1, have the character in Image 2 sing, with the vocals matching Audio 3.

6 秒 · 16:9

上面那張照片，和它變成的那六秒

一次生成，一段提示詞，就是模型回傳的原樣

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

1. 

   01

   放一張臉進去

   一張照片就行，2 到 15 秒的片段也行。一張臉，看著鏡頭，嘴上不要有東西擋著。iPhone 的 HEIC 直接進得來，而且那個框會把檔案讀回來給你看——尺寸、比例、大小——在你花掉任何東西之前。

   一張臉JPG · PNG · WEBP · HEIC
2. 

   02

   寫他們要說的話

   把句子和一個語言標記打進去，聲音就跟著一起到——不用先做音訊檔。框裡那行對嘴台詞是給你的 7,000 個字元裡的七十三個；其餘全都是用來描述鏡頭的。

   7,000 個字元裡的 73 個不用找配音
3. 

   音軌 · 32 kHzLIP-SYNC.MP4

   03

   播一遍，然後改一個字

   片子到手的時候，聲音已經在檔案裡了。多數人留下的是第二支或第三支，不是第一支——每一次嘗試都存著，所以你是在改，不是從頭來過。

   4–15s · 最高 2K聲音已經混進去了

前兩張卡是這一頁最上面那個框的截圖，不是畫出來的示意圖。你上傳的照片永遠不會被改動——回來的是一個新檔案。第三張卡上的片子是 MiniMax 自己的，連同提示詞發布在 H3 發表文：靜圖定了臉，一段人聲定了唱，一段影片定了運鏡。那一次走的是音訊路線；上面那個框兩條路都收。

• 

  16:9 · 8 秒

  一句話，直接對著鏡頭

  整支片子就是一個人和一句話。六秒的話，控制在大約十二個詞以內——短長度配長句子，是第一次嘗試讓人失望的常見原因。

  照這條做對嘴
• 

  9:16 · 9s

  幫一個場景配一句對白

  讓角色在你已經想好的那顆鏡頭裡說出這句話。除了台詞，也把人描述出來——衣服、頭髮、一個能認出來的特徵——臉就能在整支片子裡守住。

  照這條做對嘴
• 

  9:16 · 15s

  有人在講一件商品

  人物靜圖加商品靜圖，台詞一顆鏡頭一顆鏡頭地寫。這一支跑滿十五秒，所以它也是讓你看到上限在哪的那一支。

  照這條做對嘴
• 

  16:9 · 15s

  用唱的，不是用說的

  把語氣設成唱，或者上傳人聲讓它帶動嘴型。上傳的音軌會直接變成最後那條聲音，而不是拿來當參考，而且上傳不計費。片子的長度至少要和音軌一樣長。

  照這條做對嘴

從一段影片出發，而且原本的像素必須留下來？那是配音，剪貼式的工具做得比這一頁好——這裡的一切都是把鏡頭重建出來，不是在原片上改。

有個對照：Google 自己給 Veo 3.1 寫的文件說，英文完全支援，其他語言未經評估。要在好幾支片子裡守住同一張臉或同一把嗓音？用 參考圖生影片。

跑一條對嘴多少錢

• 破綻

  一張和皮膚對不上的嘴

  一塊解析度和周圍臉部不同的補丁，還有一條沿著下顎線、頭一轉就在爬的接縫。看過一次就再也擺脫不掉了——而這從來不是你那張照片的錯。

• 成因

  一個 96 像素的方塊，貼回去

  通行的做法是找到嘴，在它周圍裁一個小方塊——常見是 96×96——在那個尺寸上生成新的嘴型，再貼回你的畫面上。方塊之外的一切，從來沒有進過模型。

• 怎麼提前認出來

  看一個工具怎麼描述自己

  把嘴型映射到你影片裡的那張臉上。把它們融合進原本的圖像。映射、融合——不管哪一個詞，都是有東西被蓋在一張已經存在的臉上，而下顎線就是它的邊界。

• 這裡發生的事

  一個新的影格，連聲音一起，一次做完

  MiniMax H3 從來不去找你的嘴，因為它根本不是在編輯你的畫面。沒有裁切、沒有貼上、沒有邊緣要追：嘴和臉頰是同一個解析度，因為整張畫面只有一個解析度。聲音也出自同一次生成，所以你不會拿到一段激動的配音配一張平淡的臉。

1. 01長度是一份預算

   輸出是 4 到 15 之間的整秒。按平常的語速，大概是十到四十個詞。先寫台詞，數一遍，再挑長度——反過來做，就會得到一段追著鐘跑卻追不上的表演。

   4–15 秒，整秒

2. 02有一個標記是承重的

   [Language] 選定嘴型所依據的音素集，所以它是那個會改變畫面的標記。(S1) 只有在畫面裡不只一個可能的說話者時才有用——面對一張臉，它不會改變任何你看得見的東西。

   (S1) … [Chinese] …

3. 03字元上限不是給台詞用的

   7,000 個字元涵蓋的是整段提示詞。一句台詞是幾十個字元；其餘全是鏡頭——誰、在哪裡、怎麼打光、怎麼取景。寫不下是描述的問題，從來不是對白的問題。

   7,000 字元

4. 04秒數就是帳單

   768P 每一個輸出秒 8 點數，2K 是 13 點。對嘴台詞定長度，長度定帳單，所以一支十五秒差不多是四秒那支的四倍。值得聽的台詞大多都短。

   8 點數 / 秒 · 768P

這些都不是對模型的猜測——長度和字元上限都是公開的限制，每秒價格就是 價格 上那些。想讓人替你把鏡頭描述好？提示詞產生器 會把剩下的 6,900 個字元寫出來。