怎么用 AI 给视频配音：四步完成翻译、配音与口型同步

配音不是把一条旁白贴上去。旁白是在一条已经做完的片子上叠一层声音；配音要让同一场表演换一种语言仍然成立——嘴型、节奏、情绪、停顿，观众不该看出接缝。

过去这意味着录音棚、配音演员和混音台。现在整条链路可以塞进一个浏览器标签页：把语音转成文字、翻译、生成新声音、再把嘴型重新渲染到新音轨上。这篇把每一步真正在做什么、什么决定了一条配音能不能看、以及怎么从头到尾做完，一次讲清。

AI 配音到底在做什么

配音是一条流水线，不是单个模型。每一段都可能单独出错——这就是为什么脑子里听着没问题的配音，放到画面上会露馅。

字幕走到翻译就停了。配音还要多走声音和嘴型这两步。多出来的这段路，决定了配音像不像原声，也决定了源片的质量为什么这么重要。

先要干净的人声。 转写听到的就是麦克风听到的。风声、车流、回声、房间混响，都会在你看到结果之前先变成翻译错误。安静的房间胜过嘈杂房间里的贵麦克风。

一个镜头里只留一个说话的人。 流水线要把一个声音对到一张嘴上。多人抢话、背景聊天、对唱，都会让这个对应关系变得含糊，嘴型就会跟着错误的音节动。

脸要看得见。 配音只能对看得见的嘴工作。正脸、光线充足、嘴部没有遮挡，同步最稳。侧脸、手挡嘴、口罩、快速剪辑，是恐怖谷的高发区。

按你有的时长翻译。 原文四秒说完的一句，目标语言也得在四秒左右落地。逐字翻译一旦变长，要么被声音压缩得听不清，要么逼着剪辑砍掉重要的词。短句是你的朋友。

对情绪，不只对字面。 同一句话可以是玩笑、警告或推销。声音如果念得平，配音技术上全对，情绪上全错。

第一步：准备片子。 MP4 或 MOV，720p 或 1080p，2 到 60 秒，最大 100 MB。剪到真正要用的那一段——按秒计费，片子越紧也越好同步。一个人正对镜头，效果最干净。源片是 TikTok 视频的话，可以直接贴链接，不用先下载。

第二步：选语言和声音。 上传片子或贴 TikTok 链接，从 40 种目标语言里选一种，再选配音要用的声音。源语言会自动识别，不用手动标注。运行前会显示价格。

第三步：跑一遍，做对比。 每条结果都会和原片并排放在前后对比滑块里。先看重音音节上的嘴型——同步的问题总是先从这里露出来。也听一下停顿：没有说话的段落会保留原音频，所以片头、音乐间奏和静场应该还是同一条片子。

第四步：下载并复核。 效果成立就下载 MP4。不成立，先回头检查源片再重跑：正脸、单人、干净音频，比任何参数都更能救回一条失败的配音。

按视频秒数计费，每秒 10 积分，三十秒的片子是 300 积分。提交前一定会显示准确价格，失败的运行会自动退回积分。翻译没有免费档。

它非常擅长那些过去要进录音棚才能做的事：一条产品片做成五个语言版本、不找演员就本地化短视频、让创始人视频走出去、把档案素材重新配音给新观众。

但它不是每一条视频的万能药。嘈杂的街头采访、三个人同时说话的镜头、两分钟的长独白，会以不同的方式跟流水线打架。解法通常不在模型，而在剪辑：切到干净的那个镜头、把长片拆段、或者用目标语言重写一版更紧的稿子。

开始之前有一个该知道的诚实边界：这一版不支持保留说话声底下的背景音乐。有人说话的地方，新声音会完全替换原音轨；没有说话的部分保留原声。如果音乐就是重点，提前绕开——或者干脆不要动那些段落。

只给拥有使用权的素材配音。配音可以让一个人看起来说了他从没说过的话，所以不要用真人的脸或声音去误导别人。当配音版可能被当成原片时，标明它是配音版。这不只是法律上的保险，也是你对目标观众的基本诚意。

AI 配音和字幕是一回事吗？ 不是。字幕保留原音轨、叠上文字；配音会用目标语言替换说话的声音，在我们的翻译器里还会重新渲染嘴型。字幕更快，配音才让片子像本地内容。

视频可以多长？ 单次 2 到 60 秒。更长的素材，拆成几段，只配真正承载信息的那一段。按秒计费，短一点也更便宜。

支持哪些语言？ 40 种目标语言，包括英语、中文、日语、德语、西班牙语、法语、韩语、葡萄牙语和阿拉伯语，每种都能选声音。源语言自动识别。已经和目标语言相同的视频会被拒收。

怎么收费？ 每秒视频 10 积分，三十秒的片子是 300 积分。提交前会显示准确价格，失败自动退积分，没有免费档。

会保留背景音乐吗？ 没有说话的段落保留原音频和画面。有人说话的地方，新声音会完全替换原音频；这一版不保留说话声底下的背景音乐。

可以给 YouTube 视频配音吗？ 任何你有权使用的文件都可以上传。TikTok 链接可以直接贴；其他平台需要先把文件下载下来。

会改变人的脸吗？ 不会。脸、表情、光线和机位都保持原样，只有嘴唇区域按新声音重新渲染。

想让你的片子换一种语言说话？给视频配音——上传片子或贴 TikTok 链接，选一种语言，然后并排看结果。