AI 对口型视频生成

你的照片

002003004005

生成出来的——画面与声音一起

4 到 15 秒之间的任意整秒，24 fps，768P 或 2K，11 种我们完整跑过的语言。JPG、PNG、WEBP、HEIC、HEIF 都能直接传，这一点值得说，因为人物照片大多是手机拍的，而大多数工具会不声不响地让你先转格式。手机随手拍常常比精修头像动得更好——修图会把动起来所需要的那层质感抹掉。能选的话让牙齿露出来：闭着的嘴不携带任何关于唇后是什么的信息，模型只能自己编一个口腔，而编出来的口腔正是让人一眼觉得不对的地方。

你的照片是第一帧

001

你的照片是第一帧

任意整秒

4–15 秒

任意整秒

完整跑过的语言

11

完整跑过的语言

声音来自同一次生成

立体声

声音来自同一次生成

• 不用先做音频文件
• 不用逐帧对时间轴
• 不用单独跑一遍对口型

这一条成片

AI 对口型做对了是什么样

16:9 · 6s

完整提示词，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.

6s · 16:9

上面那张照片，和它变成的那六秒

一次生成，一条提示词，就是模型返回的原样

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

• 16:9 · 15s

1. 

   01

   放一张脸进去

   一张照片就行，2 到 15 秒的素材也行。一张脸，看着镜头，嘴上不要有遮挡。iPhone 的 HEIC 直接传，框会把文件读回给你——尺寸、比例、大小——在你花钱之前。

   一张脸JPG · PNG · WEBP · HEIC
2. 

   02

   写他们要说的话

   把句子和一个语言标记打进去，声音就跟着一起到——不用先做音频文件。框里那行是 7,000 个字符里的七十三个；其余的都是用来描述镜头的。

   7,000 里的 73 个字符不用找配音
3. 

   音轨 · 32 kHzLIP-SYNC.MP4

   03

   播一遍，然后改一个词

   片子到手时声音已经在文件里了。多数人留下的是第二条或第三条，不是第一条——每一次尝试都存着，所以你是在改，不是从头再来。

   4–15s · 最高 2K声音已经封装进去

前两张卡是这一页顶上那个框的截图，不是示意图。你上传的照片一个像素都不会被改——回来的是一个新文件。第三张卡上的片子是 MiniMax 自己的，连同提示词发布在 H3 发布文：静图定了脸，一段人声定了唱，一段影片定了运镜。那次走的是音频路线；上面那个框两条路都收。

• 

  16:9 · 8s

  一句话，直接对镜头

  整条片子就是一个人和一句话。六秒的话控制在十二个词以内——短时长配长句子，是第一次尝试让人失望的常见原因。

  照这条做
• 

  9:16 · 9s

  给一个场景配一句对白

  让角色在你已经想好的镜头里说出这句话。除了台词，也把人描述出来——衣服、头发、一个辨识特征——脸就能在整条片子里稳住。

  照这条做
• 

  9:16 · 15s

  有人在讲一个产品

  人物静图加产品静图，台词一个镜头一个镜头地写。这一条跑满十五秒，所以它也是让你看到上限在哪的那一条。

  照这条做
• 

  16:9 · 15s

  唱，而不是说

  把语气设成唱，或者上传人声让它带动嘴型。上传的音轨会直接成为成片的声音，而不是拿来做参考，而且上传不计费。片子的长度至少要和音轨一样长。

  照这条做

从一段视频出发，而且原来的像素必须留下来？那是配音，剪贴式的工具做得比这一页好——这里的一切都是把镜头重建出来，不是在原片上改。

有个参照：Google 自己给 Veo 3.1 写的文档说，英语完全支持，其他语言未经评估。要在好几条片子里保住同一张脸或同一个声音？用参考生视频。

跑一条多少钱

• 破绽

  一张和皮肤对不上的嘴

  一块分辨率和周围面部不同的补丁，还有一条沿着下颌线、脑袋一转就在爬的接缝。看见过一次就再也看不见别的了——而这从来不是你那张照片的错。

• 成因

  一个 96 像素的方块，贴回去

  通行的做法是找到嘴，在它周围裁一个小方块——常见是 96×96——在那个尺寸上生成新的嘴型，再贴回你的画面。方块之外的一切从来没有进过模型。

• 怎么提前认出来

  看一个工具怎么描述自己

  把嘴型映射到你视频里的脸上。把它们融合进原图。映射、融合——不管哪个词，都是有东西被盖在一张已经存在的脸上，而下颌线就是它的边界。

• 这里发生的事

  一帧新画面，连声音一起，一次出完

  MiniMax H3 从来不去找你的嘴，因为它根本不是在编辑你的画面。没有裁剪、没有粘贴、没有边缘要跟：嘴和脸颊是同一个分辨率，因为整张画面只有一个分辨率。声音也出自同一次生成，所以你不会拿到一段激动的配音配一张平淡的脸。

1. 01长度是一份预算

   输出是 4 到 15 之间的整数秒。按平常的语速，大概是十到四十个词。先写台词，数一遍，再挑时长——反过来做，就会得到一段追着钟表跑却追不上的表演。

   4–15 秒，整秒

2. 02有一个标记是承重的

   [Language] 选定嘴型所依据的音素集，所以它是那个会改变画面的标记。(S1) 只有在画面里不止一个可能的说话人时才有用——面对一张脸，它不会改变任何你看得见的东西。

   (S1) … [English] …

3. 03字符上限不是给台词用的

   7,000 个字符覆盖的是整条提示词。一句台词是几十个字符；剩下的都是镜头——谁、在哪、怎么打光、怎么取景。写不下是描述的问题，从来不是对白的问题。

   7,000 个字符

4. 04秒数就是账单

   768P 每输出秒 $0.08，2K 每秒 $0.13。台词定长度，长度定账单，所以一条十五秒的片子差不多是四秒那条的四倍。值得听的台词大多都短。

   $0.08 / 秒 · 768P

这些都不是对模型的猜测——时长和字符上限都是公开的限制，每秒价格就是价格页上那些。想让人替你把镜头描述好？提示词生成器会把剩下的 6,900 个字符写出来。