原生智能音频

在视频输出的同时生成语音、环境音和背景音乐。 工作原理：模型不再先生成无声视频再后期加音，而是在同一次输出中同时产出画面和声音。它会读取视觉上下文——角色嘴型动作、环境类型、动作强度——并生成匹配的语音、环境音、音效或背景音乐。文本提示词可以引导音频风格（如「动感电子 BGM」「轻柔森林环境音」「英文女声旁白」）。 适用场景：每个广告变体都需要本地化配音的广告制作；BGM 和节奏很重要但手动对齐太慢的社交媒体短视频；想在投入专业音频之前先评估音画搭配的场景预审；同一视频需要多语言配音的多语言内容。 技巧与实用建议：为获得最佳口型同步效果，请保持角色面部清晰可见、不被遮挡。在提示词中指定语言和声音语调——「平静的日语男声旁白」比单纯写「加一段旁白」效果更好。将原生音频与音乐卡点结合使用时，模型可同时处理 BGM 节拍对齐和对白。建议在第一次生成时就检查音频效果，及早发现节奏问题，而非生成大量变体后再逐一查看。