文本到视频 AI 生成器

粘贴脚本后发生了什么

系统会读取脚本并在自然断点处切分为场景，大致每句或每个从句一个场景，视节奏而定。每个场景都会生成自己的图像或视频提示语，按你选择的视觉风格编写，这样它们在同一视频里保持一致。

配音在一次处理里生成，同时返回每个词的时间点。这个时间成为唯一的时间基准：字幕高亮和场景切换都根据它来决定，而不是按字符数估算。这样剪切会在句子边界上结束，而不是晚半拍。

每个场景单独生成画面，根据你选择的切换和背景音乐设置合成并渲染。大多数视频需要两到五分钟。

写出容易渲染的脚本

简短的陈述句能产生清晰的场景分界。长句带多个从句往往会让一个场景停在画面上同时说很多话，给人节奏拖沓的感觉。

具体的名词给图像生成器可描绘的对象。写到某个具体物品在具体地点的句子，比抽象陈述更容易渲染，因为该场景的提示词里有东西可画。

避免在脚本里写摄影指导类的舞台指示。你写的任何内容都会被当作配音念出来，包括你给自己关于镜头该怎么做的备注。

静态图像还是生成的视频片段

图像输出为每个场景生成一张静帧，并在其上缓慢移动镜头。成本低，约每分钟 100 点数，是朗读型脚本的默认选项，因为台词本身支撑视频内容。

动画输出为每个场景生成真实的视频片段，带运动和原生声音。HD 下每秒 35 点数，所以一分钟是 2,100 点数，当视觉是吸引观众的主要原因而不是配音时，值得使用。

动画视频接受最多 1,200 字的脚本。图像视频可以接受更长的脚本。

配音和字幕

有 36 种配音可试听。你选的配音会随视频存储，所以以后重新编译听起来像原来的一样，而不是当前的默认声音。

字幕是按词同步的，有两种样式并可选高亮颜色。它们需要配音，否则没有可同步的音频。你也可以生成没有配音的视频，这种情况下字幕会关闭，时间基准来自你设置的场景时长。

之后想改怎么办

编辑器让你重写配音并重新编译。文字变动时，配音和字幕会在一次对齐的处理里一起重新生成，场景边界也会重新映射到新的音频上，所以不会出现不同步。

如果文字没有变，现有的音频和字幕会被重用，你只需支付渲染费用。单个场景的画面重新生成也是同样逻辑，只付该场景的费用。

格式与输出

图片视频支持 9:16、16:9、1:1 和 4:5。动画视频支持 9:16、16:9 和 1:1，分辨率可选 标准 480p、高清 720p 或 全高清 1080p。

输出为普通 MP4，任何计划都没有水印，你拥有完整的商业使用权利。