AI ASMR 触发音视频生成

一条提示词

002003004005

画面与触发音，一起生成

这里声音和帧出自同一次前向传播，所以它们天然对齐，而不是靠剪辑对齐。你导的是一个本来就有声音的场景，而不是给一个没声音的场景配乐。 这不代表音频是自动的——它把工作挪进了提示词里，而这个品类需要的三层声音在那里各有各的位置。下一节就把这个字段拆开讲。

画面与声音同一次产出

1

画面与声音同一次产出

立体声，不是单声道上混

32 kHz

立体声，不是单声道上混

需要授权的音效库

0

需要授权的音效库

最短时长，多数站点从 5 秒起

4s

最短时长，多数站点从 5 秒起

• 不用再去音效库里搜
• 不用在剪辑软件里手动对峰值
• 不用为了让触发音出来而压低背景音乐
• 不用花钱去掉水印

提示词生成视频

一条提示词，一次生成，声音是跟着画面一起来的

16:9 · 6s · 768P

完整提示词，不是摘要

16:9, 6 seconds, 768P. Extreme close-up of espresso pouring into a warm cup under a single soft light, crema breaking across the surface. Slow, steady, no hands in frame.

6s · 16:9

六秒钟，声音落在该落的帧上，因为它从来就不是一个单独的文件

这些都不是为这个页面专门拍的——它们是素材库里触发音最强的几条。我们宁可给你看五条真实的，也不给你看五条摆拍的。

• 01

  用简单的文字提示词生成 AI ASMR 视频

  描述 ASMR 的材质以及它在做什么。触发音、次层质感和环境底噪，是同一个字段里的三个分句。

  4–15 秒，32 kHz 立体声
• 02

  用 AI 改进你的 ASMR 提示词

  把一个粗糙的 ASMR 想法粘进去，拿回三段式结构：声景被拆成分层，音乐字段被填上而不是留空。

  帮你把分层写出来
• 03

  从一条参考片到成片的完整 AI 流程

  丢进一条你喜欢的 ASMR 片子，拿回能产出它的提示词——包括它的声音是怎么搭起来的。然后换一个材质，跑起来。

  参考片 → 提示词 → 成片

三条路，同一个价格——768P 每秒 8 积分，而 ASMR 没有理由离开 768P。

1. 

   01

   先选材质，不是先选氛围

   *磨砂玻璃、绒面织物、亚克力板、气泡膜、木梳的齿。*材质驱动的触发音是这个模型最强的地方，也是这个品类流量最大的地方。你写出材质，模型能推出声音；你只写声音，它就得去猜材质。

   材质优先不需要出镜的脸
2. 

   02

   把三层声音写进同一个字段

   主触发音在最前，次层质感压在它下面，环境底噪垫在两者之下。这就是每一份 ASMR 混音教程都让你在音频工作站里搭的结构——在这里它是声景字段里的三个分句，一次生成出来。

   触发音质感层底噪层
3. 

   03

   刻意把音乐关掉

   在 `non_diegetic_music` 里写 `N/A`。留空不等于同一条指令——模型照样会给场景配乐，而触发音底下压着任何有节奏的东西，都会抵消你想要的效果。这是最常见的一个失败。

   non_diegetic_music: N/A
4. 

   04

   生成 8 秒，然后循环

   ASMR 靠的是完播率高的短循环，而192 帧——正好 8.000 秒——是模型能产出的唯一一个整秒，也就是唯一一个能无缝循环的时长。要别的长度，你就得回剪辑软件里裁掉一个零头。

   192 帧8.000s无缝循环

这四步里没有一步发生在生成之后。这个品类其余产品要在音频工作站里做的分层与对时，在这里被一个按正确顺序写好的字段取代了。

1. 01空隙底下有底噪

   触发音之间那种纯数字的寂静，是最容易破坏沉浸感的破绽，因为真实录音永远有本底噪声。写明一层很轻的环境音，让它垫在所有声音之下。

   两层之下的环境底噪

2. 02音乐字段写着 N/A

   留空不是一条指令。触发音底下压着任何有节奏的东西都会抵消它——这个品类自己的教程也说，宁可完全不要音乐，也别小声混进去。

   non_diegetic_music: N/A

3. 03有两层触发音，而不是一层

   单一声音循环，三十秒内就会听出人工感。把主角放在最前，再在它下面放一个相关的声音——刀被放下的声音、指尖重新换位置的声音。

   主层 + 次层

4. 04声音和画面上的材质对得上

   一种材质的画面配上另一种材质的声音特征，沉浸感瞬间就没了。在这里两者出自同一次生成，所以唯一会做错的方式，是材质写得太含糊。

   写清楚是什么材质

5. 05没有人说话

   ASMR 观众要的是纯触发音。别默认它不会加人声，直接写上*不要说话、不要旁白、不要人声*——画面里有人的时候，模型很乐意给他配上一句。

   不要说话，不要旁白

五项里有四项在说声音，第五项在说让画面跟声音对上。这个比例本身就是这个品类的定义。

• 实测

  它不会给你数字寂静

  破坏 ASMR 沉浸感的破绽，是一段什么都没有的空隙。这个模型的本能是把声音铺满，所以这个品类最费力气去避免的失败，在这里反而要费力气才做得出来。

• 结构性

  提示词里每一层都有自己的位置

  主触发音、次层质感、环境底噪——每份混音教程都在讲的三层结构，在这里写进同一个字段里一起生成，而不是事后在三条音轨上拼起来。

• 结构性

  同步不是一个步骤

  瞬态音会落在事件发生的那一帧上，因为两者本来就出自同一次生成。不用挪，换个时长重新生成也不会有东西跑偏。

• 诚实的边界

  耳语类是它的弱项

  材质类触发音才是它站得住的地方。口腔音那种亲密感和贴耳耳语，在生成音频里普遍都是最弱的一环，这里也一样——如果你要做的是有人说话的内容，请从 对口型 开始。

• 

  9:16 · 15s

  脆裂与撕开

  先是壳让开，然后是更软的内里。两层声音长在同一个动作里，所以这是最容易上手的起点。

  从这类 ASMR 触发音开始
• 

  1:1 · 15s

  陶釉上的干涩摩擦

  粉末、竹子和陶。几乎没有动作，整条片子全靠一种你从音效库里很难干净找到的质感撑着。

  做这一条
• 

  9:16 · 8s

  一响一响分开的爆裂

  彼此之间留着真正空隙的独立事件——这是环境底噪最要紧的情形，因为空隙本身就是结构。

  做这一条
• 

  9:16 · 15s

  玻璃、金属、喷头

  慢慢处理的硬表面。这一档最接近传统的敲击类 ASMR，也是最经得起长片的一档。

  做这一条

注意这四类里都缺了什么：一张脸和一个人声。材质触发音是生成式 ASMR 更聪明的起手切口，而且它们也正是算法在完播率上会奖励的那一类。

跑一条多少钱