AI 短视频怎么加字幕和配音:从提示词到导出的完整流程
更新于 2026-11-03
AI 短视频加字幕和配音,可以在生成时完成一部分,再在剪辑软件里收尾。MiniMax H3 能把画面、对白和环境声一起生成;需要逐字准确的字幕、品牌名、价格和旁白,则建议后期添加,不要指望视频模型把中文全部写对。
这篇以 VGEN 为例,讲清楚「生成对白后配字幕」和「只生成画面、后期配音」两种流程,以及台词怎么写、字幕怎么校对、声音怎么对齐。VGEN 不是独立的配音或字幕编辑器,已有视频的精细修改仍需剪辑软件。
先选一种流程:生成时带声音,还是后期配音
- 生成对白 + 后期字幕:适合人物口播、宠物创意对话和短剧情。把台词写进视频提示词,生成后听清台词,再在剪辑软件里加字幕。画面和声音一次出来,但台词发音、说话人和口型仍要检查。
- 只生成画面和环境声 + 后期配音:适合商品介绍、教程旁白和必须一字不差的文案。提示词写「无对白」,生成后单独录音或使用有权使用的配音,再对齐画面。
- 保留生成原声 + 后期补一句:大部分环境声和对白已经满意,只有一句念错时,只替换那一句,不必把整条声音重新做一遍。
第一次做,优先用「生成对白 + 后期字幕」,步骤最少;台词必须准确或需要指定音色时,再选后期配音。
生成之前:先写分镜、台词和字幕稿
不要等视频生成后才临时凑台词。先把一个镜头要表达的意思写成一句短台词,再把同一份文字留作字幕底稿:
- 一个镜头一个重点:5 秒只安排一个动作和一两句短台词,不要同时塞进产品名、三个卖点和促销信息。
- 按口语写:把长句改成能自然说出口的短句,数字、英文和容易读错的词先确定读法。
- 字幕和台词分开保存:字幕稿放在文档或剪辑工程里,不要只存在于生成后的视频画面中。
- 长视频拆镜头:15 秒内容可以拆成 3 个 5 秒镜头,每句配音对应一个镜头,后期更好对齐。
生成时带对白:提示词要写清谁说什么
MiniMax H3 的提示词除了主体、场景、动作和镜头,还要单独写声音。多人对话先给说话人编号,每句台词前重复编号,并注明普通话、音色和语气。
- 对白:「S1 用普通话平静地说:『今天教你整理桌面。』」台词保持简短。
- 环境声:写画面里真实存在的来源,比如「安静的室内、轻微翻书声」。
- 音乐:准备后期统一配乐时,可以写「无背景音乐」,避免每个镜头的音乐不一样。
- 不要生成字幕:加一句「画面中不要出现任何文字、字幕或标志」,准确文字后期再加。
生成后要完整听一遍,检查台词有没有说错、是否安到另一个人嘴上、时长内有没有说完。声音和对白的更多写法见 AI 文生视频带声音。
一位年轻女生坐在整洁的书桌前(S1,年轻女声,自然,普通话),抬头看向镜头,微笑着整理桌上的三本书。S1 说:「今天教你三招整理书桌。」固定机位近景;声音:安静的室内,轻微的纸张声,无背景音乐;画面中不要出现任何文字、字幕或标志。
后期配音:先铺环境声,再逐句对齐
选择只生成画面时,可以在提示词里写「无对白,保留轻微环境声,无背景音乐」,给后期留下连续的声音底子。配音可以使用自己录制或有权使用的声音,不要未经授权模仿他人的声音。
- 把完整旁白按镜头拆成短句,每句对应一个动作或画面重点。
- 先放连续的环境声或音乐,再逐句放配音,避免一句话出现时背景突然安静。
- 移动每句配音的起点,让关键词和画面动作对应;口型不重要时,可以切到手部、商品或环境镜头。
- 检查配音音量是否清楚、环境声是否忽大忽小,再按听感调整,不要只看波形。
- 保留一份只有画面和环境声的版本,以后改旁白不用重新生成视频。
如果只有一句原声念错,也只替换那一句,并把前后的环境声接连续。口型对不上时,缩短台词或换切镜头通常比反复整段重生成更有效。
字幕怎么加:自动识别以后必须校对
- 把成片导入剪辑软件,使用自动识别字幕,或按之前保存的台词稿手动录入。
- 逐句核对品牌名、数字、价格、英文和同音字;自动识别结果不能直接当成最终稿。
- 按语义断句,一条字幕不要塞太多字;换行后逐句播放,确认出现和消失的时间跟得上配音。
- 统一字体、字号、颜色和描边,字幕放在平台界面不容易挡住的位置,不要盖住人物嘴部和商品细节。
- 导出前从头到尾看一遍,再同时保存带字幕成片、无字幕成片和剪辑工程。
字幕已经压进画面后才发现错字,处理办法不同:能改工程就直接改,没有工程时再考虑局部遮罩或只重做镜头,详见 AI 视频错别字、字幕怎么修改。
一个 15 秒短视频的字幕和配音安排
以「整理书桌」为例,把内容拆成 3 个镜头,每句旁白只承担一个信息:
- 0–5 秒,开头:人物看向镜头,把桌面上的物品分成两堆。旁白:「书桌总是乱,先别急着买收纳盒。」
- 5–10 秒,方法:手部近景,把常用物品放进一个盒子。旁白:「每天用的放近一点,不常用的先收起来。」
- 10–15 秒,结果:镜头缓慢拉远,展示整理后的桌面。旁白:「最后留出一块空位,明天才不会又堆满。」
可以先生成无对白画面,再统一配这 3 句旁白;也可以逐镜头生成对白。若逐镜头生成,要固定人物设定、说话人编号和音色描述,并检查 3 段声音是否连贯。
在 VGEN 上怎么操作
- 打开 开始创作,切到「生视频」,模型选 MiniMax H3。
- 文生视频直接写提示词;已有照片或商品图时,上传首帧或参考图,让画面更稳定。
- 写主体、动作、镜头和声音;生成对白就标注说话人,后期配音就写「无对白」。同时写明画面中不要生成字幕。
- 第一次选 5 秒、720p。生成后同时检查画面和声音,不满意时一次只改一处。
- 下载满意镜头,在剪辑软件里配音、识别或录入字幕、校对并导出。生成失败自动退还积分。
生成声音要额外收费吗
MiniMax H3 的画面和声音一起生成,不另收配音费。按 VGEN 正式库当前价格,5 秒视频:480p 5 积分、720p 9.5 积分、1080p 20 积分。约 1 元 = 10 积分。
- 先试一个镜头:720p 5 秒试 3 次共 28.5 积分,约 3 元,实际按生成次数收费。
- 做 15 秒分镜:假设 3 个镜头各试 3 次,共 9 × 9.5 = 85.5 积分,约 9 元;不是每次都必须试 3 次。
- 后期剪辑和配音:上述只计算 VGEN 的视频生成积分,你选用的剪辑、配音服务可能另有费用。
完整价格见 VGEN 收费标准。新用户注册送 10 积分,够先做一次 720p 5 秒视频。
常见问题
- 能让 AI 直接把准确中文字幕生成在画面里吗?可以尝试,但仍可能出现错字、乱码或字体变化。准确字幕建议后期添加,生成提示词里反而应写明不要出现文字。
- 自动识别字幕后还要检查吗?要。重点核对品牌名、数字、价格、英文和同音字,并检查字幕出现时间是否与配音一致。
- 5 秒视频能放多少台词?没有固定字数,取决于语速和语气。先用一两句自然短句,生成后确认能完整说完;说不完就删字或拆到下一镜头。
- VGEN 能给已经拍好的视频单独配音、加字幕吗?VGEN 的 MiniMax H3 负责生成画面和声音,不是已有视频的独立配音、字幕编辑器。已有视频的精细配音和字幕修改应在剪辑软件里完成。
- 生成的人物说话时口型对不上怎么办?缩短台词、减少说话人,或改后期配音;必要时切到商品、手部或环境镜头,避开口型特写。
- 背景音乐可以随便用吗?使用自己制作、平台提供或已获授权的音乐,注意发布平台的音乐版权要求,不要把「AI 生成」当成可以任意使用他人作品的依据。
延伸阅读
想学习画面、环境声和对白提示词,看 AI 文生视频带声音。
已经有照片,想让它动起来再配声音,看 AI 图片生成视频教程。
字幕已经导出才发现错字,看 AI 视频错别字、字幕怎么修改。