如何生成自带语音和音效的 AI 视频

更新于 2026年11月1日

视频画面生成后再配音，容易出现口型、动作和声音对不上的问题。使用支持原生音频的模型，可以在生成画面的同时请求对白、环境声和音效。关键是把说话人、台词、语速和声音发生的时机写清楚，再用短片测试。

先规划画面和声音

先确定发布位置：社交平台竖屏视频可用 9:16，横屏演示可用 16:9；如果计划用于信息流广告，也可按投放位置考虑 4:5 或 1:1，具体以所选模型提供的选项为准。

把内容拆成短镜头，每段只安排一个主要动作和一两句简短台词。例如，产品展示镜头可以让一位人物拿起杯子，说一句话，同时加入轻微的杯子碰桌声。这样比在同一镜头中安排多人交谈、音乐和多个音效更容易检查。

四步生成带声音的视频

1. 打开视频工具并准备代币。 进入 Oranzy 视频工具，或先注册领取 100 个赠送代币。准备好画面描述、台词和计划发布的平台。
2. 选择支持原生音频的模型。 查看 Veo 3 或 Kling 的可用选项，确认当前模型和设置支持生成声音，再选择可用的画幅与时长。音频能力和设置可能因具体模型及版本而异。
3. 填写画面与声音提示词。 说明谁在说话、说什么、语速如何，以及环境声和音效出现的时间。先用下方示例改写自己的场景，不要只写“配上声音”。
4. 生成并试听。 先生成一段短片，戴耳机检查对白是否完整、口型是否大致吻合，以及背景声是否盖过人声。记录问题后，每次只修改一两项，再重新生成。

提示词示例：产品展示与对白

下面的提示词适合用作起点；如果界面提供对应选项，可选择 16:9 和约 8 秒。实际时长以可选设置为准。

画面：明亮的厨房，一位成年人站在桌旁，拿起一个保温杯并转向镜头。中景，镜头缓慢推进。
对白：人物用普通话自然地说：“这只保温杯轻巧，出门带着很方便。”语速适中，声音清晰，语气平静。
环境声：轻微的室内环境声，保持在对白之下。
音效：人物拿起杯子时，有一声轻微的杯底离开桌面的声音。
节奏：先展示人物拿杯子的动作，再说完整句台词；说话期间不要加入音乐。

需要多人对白时，分别标注人物、台词和说话顺序，并给每句台词留出时间。若产品信息尚未核实，不要让角色声称具体保温时长或其他未经验证的性能。

常见错误与省代币方法

• 台词过长： 短镜头里塞入多句广告文案，容易出现截断或语速过快。先缩成一句，再根据试听结果增减。
• 声音指令含糊： “声音好听”无法说明需要什么。改为指定语言、说话人、语速、音效来源及音量关系。
• 背景声太多： 同时要求音乐、人群、交通声和对白，可能让人声难以听清。先保留必要的环境声，通过测试后再添加其他元素。
• 一次修改所有内容： 如果同时更换画面、台词和音效，很难判断问题来源。优先固定画面，只调整需要修正的声音描述。
• 忽略可用设置： 并非每个模型版本都提供相同音频能力、画幅或时长。生成前先检查当前选项，避免为不支持的组合反复尝试。

发布前检查

分别用耳机和手机扬声器试听，确认对白清楚、音效不过响，开头和结尾没有明显截断。观看口型与动作是否匹配，并核对字幕、品牌名称和产品信息；如需添加字幕或调整音量，可在后期编辑中处理。正式发布前，再确认画幅适合目标平台，并检查使用的素材和声音是否具有相应使用权限。