你手里有一段视频，想让它说点别的。
也许是产品片要换一版配音，也许是创始人视频想出五种语言版本，也许只是个网络梗视频，配上你自己的台词会好笑十倍。搁几年前，这得进录音棚、还得有特效预算；今天，把视频传上去，等一分钟就行。
开发自己的对口型（lip sync）工具时，我们拿它跑过几百段片子：干净的棚拍、手抖的手机片、动画角色、老档案影像。这篇就是跑出来的经验：AI 对口型其实有三条完全不同的路线、具体怎么一步步做，以及决定成败的拍摄和音频规矩——嘴型跟不跟得上，还是直接掉进恐怖谷，全看这几条。
AI 对口型的三种做法
「AI 对口型」（也有人叫唇同步）其实涵盖三件完全不同的事，而最常见的一种翻车，就是一开始就选错了路线：
一、写提示词，生成一个会说话的人。 你描述一个人，模型就能凭空生成一个人开口说话的画面。适合完全没有素材的时候——但演成什么样由模型说了算，而且你手里现成的片子用不上。
二、照片 + 音频 → 会说话的肖像。 一张静态人像开口念你的音频。适合做讲解员、吉祥物、没拍过的角色；缺点也很明显——基本只有头在动，没有真实的肢体动作。
三、视频 + 新音频 → 给你已有的片子重新配音。 AI 完整保留原来的表演——运镜、光线、表情、手势全都不动，只重新生成嘴唇的动作，一帧一帧跟上新的声音。片子本身没问题、只是说的话不对，就选这条：换语言、换台词、修配音。
这篇后面细讲第三条，因为它的门道最多，也是我们工具专做的那条。
手把手：给视频换一副嗓子
第一步：上传片子。 MP4 或 MOV，最大 100 MB，时长 2 秒到 2 分钟都行。一个镜头一张清晰的脸效果最好——选片的标准下面细说。
第二步：给它一副嗓子。 两种给法。直接拖一个音频文件进去（MP3、WAV、M4A、AAC 都行）；或者把台词打进去，当场转成语音——文本转语音是免费的，四十种语言的音色任选，语速可调，提交前随便试听。打两百个字、换三种声音各听一遍，一分钱不花，一分钟就知道「哪把嗓子最贴这张脸」。
第三步：跑片，对比。 价格在提交前就摆出来——每秒视频 8 积分，十秒的片子 80 积分，跑失败自动退积分。结果和原片并排放在一个前后对比滑块里。盯着重读音节看——对不上首先在那里露馅。满意就下载 MP4。
有个细节值得知道：音频和视频的时长必须对得上。音轨比片子长，跑片前就会被拦下，让你先剪短——不会扣一分积分。音轨比片子短也没关系，就是只配到片子开头那一段。
决定成败的拍摄规矩
AI 重新生成的是嘴唇。它看不见嘴，就没法凭空变出一张嘴。几百次跑片下来，规律非常一致：
能成：
- 一个人，正对镜头
- 脸清晰、光线均匀
- 嘴看得见、没有遮挡
- 镜头稳，运动模糊少
会翻车：
- 侧脸、脸转过去了
- 手、麦克风、口罩挡着嘴
- 一个镜头里好几个人在说话
- 快剪、剧烈运动、低画质源片
最管用的一条就是第一条：选正脸镜头。台词一般但正脸清楚，永远比台词出彩但只有侧脸强。
音频的三条规矩
一条音轨一个说话人。 模型干的事，就是把一条声音对到一张嘴上。多人抢话、背景闲聊、合唱都会让它对错人——嘴唇在错的音节上动，甚至在两张脸之间来回跳。
音质干净比情绪饱满更重要。 背景音乐太响、回声、房间噪音，都会吃掉对口型所依赖的辅音。在安静房间里用手机随便录一段，效果好过带混响的「专业」录音。
照着片长来。 录配音或生成语音时，把时长控制在和视频差不多。长了会让你先剪短；短了嘴在声音停的地方自然就停了——有时候你要的恰恰就是这个效果。
大家拿它干什么
把视频配成另一种语言。 用新语言录好或生成配音，跑一遍对口型，片子里的人看起来就像真的在用那种语言说话。如果要走完整的翻译流程——语音识别、翻译、配音、对口型——我们的视频翻译器全包了，对口型是最后一步，也是让配音版「能看」的那一步。
修音画不同步。 采访时音轨漂移、录屏声音延迟——把原来的声音重新对齐放回去。
让角色念你的稿。 吉祥物、动画角色、AI 生成的讲解员：只要脸够清楚，就能替你念台词。动画角色对口型的效果，和真人一样稳。
给短视频做多语言版本。 一段十五秒的片子，用听起来像母语的音色配成三种语言，一个下午就能搞定，不用找本地化供应商。
常见问题
对口型会改变那个人的脸吗？ 不会。脸、表情、光线、运镜全都原样保留——只有唇部区域会被逐帧重新生成，去贴合新音频。人还是那个人，只是毫无破绽地说了别的话。
视频可以多长？ 单次 2 秒到 2 分钟。更长的素材，把要配的那一段剪出来配就行——按秒计费，短一点也更便宜。
怎么收费？ 每秒视频 8 积分，十秒就是 80 积分。提交前一定能看到确切价格，跑失败自动退积分。文本转语音这一步不花积分。
可以用我自己的声音吗？ 可以——上传任何你有权使用的录音。也只许用你有权使用的声音和素材：未经允许克隆别人的声音或形象，没有任何商量余地。
动画角色行吗？ 行。卡通、动漫、插画角色跟真人脸是同一套规则：一张清晰的脸、一张看得见的嘴、干净的音频。
想听听你的片子开口说点新东西？给视频对口型——上传，给它一副新声音，看嘴型跟上来。