AI 文生视频带声音:一句话生成有对白、音效的短视频

更新于 2026-10-20

很多 AI 视频工具生成的是无声画面,要自己再找配乐、配音效、配旁白。MiniMax H3 可以把画面和声音一起生成:海浪声、脚步声、餐厅里的人声,甚至人物说的台词,都在同一次生成里出来。

这篇讲清楚:文生视频的提示词怎么搭,声音和对白怎么写,以及常见的「声音不对」「对白错人」怎么改。

先搭画面:一句话要包含哪几块

文生视频没有图片帮你定画面,所有信息都来自文字。一段好用的提示词,按这个顺序写:

1. 主体:谁或什么,长什么样。「一位穿深蓝围裙的中年面馆老板娘」。
2. 场景:在哪里、什么时间。「清晨的小面馆,蒸汽从锅里冒出来」。
3. 动作:发生了什么,写能看见的动作。「她把一碗面放到客人面前,擦了擦手」。
4. 镜头:「固定机位中景」「镜头缓慢推近」「手持跟拍」。
5. 声音:能听到什么,下一节细讲。

第一次写,先只写主体、场景和动作,确认画面方向对了,再补镜头和声音。一次加太多,出错了不知道是哪句的问题。

声音怎么写

声音单独写成一句,写具体的声音来源,而不是笼统的「有氛围的音乐」:

• 环境声:决定「在哪里」的感觉。「雨打在窗户上的声音」「远处的车流声」「餐厅里低低的人声」。
• 动作音效:跟着画面动作走。「碗放到木桌上的轻响」「高跟鞋踩在石板路上」「翻书的沙沙声」。
• 音乐:写风格和情绪。「轻柔的钢琴」「节奏感强的电子乐」。需要后期换配乐的话,这一项可以不写。
• 对白:人物说的话,写法见下一节。

声音要和画面对得上:镜头推近到人物脸上时,背景的嘈杂声应该变小;画面里没有的东西,不要写它的声音。

中文对白怎么写才不容易错人

对白最常见的问题是「台词安到了另一个人嘴上」。解决办法是给每个说话的人一个固定编号,每句台词前都写上:

• 先定义说话者:「老板娘(S1),中年女声,爽朗;顾客(S2),年轻男声,有点害羞」。
• 每句台词前重复编号:S1 说:「你的面好了,小心烫。」S2 说:「谢谢阿姨。」
• 写清楚语言和语气:「普通话」「四川话」「小声说」「笑着说」。
• 台词别太长:5 秒视频放一两句短台词就够了,台词太多在几秒内说不完。
• 不要让两个人同时说话:写明「两人轮流说,不重叠」。

清晨的小面馆,蒸汽从锅里冒出来。老板娘(S1,中年女声,爽朗,普通话)把一碗牛肉面放到年轻顾客(S2,年轻男声,有点害羞,普通话)面前。S1 笑着说:「你的面好了,小心烫。」S2 点点头,小声说:「谢谢阿姨。」两人轮流说话,不重叠。固定机位中景。声音:锅里咕嘟咕嘟的煮面声,碗放到木桌上的轻响,门外隐约的街道人声。

更多例子

• 风景空镜:「海边悬崖,傍晚,海浪拍打礁石溅起白色水花,几只海鸥从镜头前飞过;航拍,镜头缓慢向前推进;声音:海浪拍岸声,海风声,海鸥叫。」
• 产品展示:「一杯冰美式放在木桌上,冰块在杯中轻轻碰撞,水珠沿杯壁滑落;微距,镜头缓慢环绕;声音:冰块碰撞的清脆声,轻快的爵士钢琴。」
• 城市夜景:「下雨的夜晚,霓虹灯倒映在湿漉漉的街道上,一个撑伞的人走过;低机位,镜头跟随;声音:雨声,脚步踩过积水,远处的车流声。」
• 口播开头:「年轻女生坐在书桌前,对着镜头挥手(S1,年轻女声,活泼,普通话)。S1 说:「大家好,今天教你三招整理书桌。」固定机位近景;声音:安静的室内,轻微的翻书声。」

在 VGEN 上怎么操作

1. 打开 开始创作,切到「生视频」,模型选 MiniMax H3。
2. 不上传图片,直接在提示词框里写:主体 + 场景 + 动作 + 镜头 + 声音。
3. 只有一句简单描述的话,可以点「优化提示词」自动扩写成完整的提示词(每次 0.5 积分),有「严格 / 平衡 / 创意」三种程度可选,扩写完再按自己的意思改。
4. 选比例(16:9、9:16、4:3、3:4)、清晰度和时长(3–15 秒)。第一次建议 5 秒、720p。
5. 生成。不满意的话一次只改一处,比如只改动作或只改声音,对比着调。

怎么收费

按秒计费,价格在生成按钮上直接显示,1 元 = 100 积分,生成失败自动退还积分。声音和画面一起生成,不额外收费。

• 480p:每秒 1 积分,5 秒 5 积分。
• 720p:2 积分 + 每秒 1.5 积分,5 秒 9.5 积分(约 1 毛钱),10 秒 17 积分。
• 1080p:5 积分 + 每秒 3 积分,5 秒 20 积分。

新用户注册送 10 积分,每天签到再送 3 积分,够先试几条。

常见问题

• 声音和画面对不上?声音写得太笼统,或者写了画面里没有的东西。把声音写成具体的来源,并且和画面里的动作一一对应。
• 台词说到了别人嘴上?给每个说话者编号,每句台词前重复编号;画面里人越少越不容易错,先从一个人说话开始练。
• 台词没说完就结束了?台词太长。缩短台词,或者把时长调长一点。
• 不想要声音?可以在提示词里写「无对白,无背景音乐」;最稳妥的是生成后在剪辑软件里把原声关掉。
• 画面和想的不一样?先用图片定画面:做一张满意的图,再用 图片生成视频,画面会稳定很多。

延伸阅读

想系统学 H3 的提示词写法(六块积木、对白、翻车急救),看 MiniMax H3 使用手册。

想控制视频从哪里开始、在哪里结束,看 首尾帧生成视频教程。

视频太短想接着往下演,看 AI 视频续写。

开始创作 →