在 Zorival 中，口播与对话功能让创作者不仅能够生成稳定的单人 30 秒长镜头口播视频，更能实现多角色同框、各自绑定独立音色、交替开口说话的剧情对白。口型与台词自然贴合，环境音效与人声和谐共存，无需外部复杂剪辑即可在站内一站式成片。
在视频设置或节点属性中，提供「声音用法」两大选项。理解这两种模式的区别是做好有声视频的关键步：
| 模式名称 | 界面选项名 | 核心工作原理 | 适用场景 | 台词编写要求 |
|---|---|---|---|---|
| 只借音色 | 只借音色 | 模型仅提取参考音频里的音色样本特质（声音质感、音高与语气基调），由模型按该嗓音去朗读提示词中指定的台词。 | 创作者手头有一段角色的嗓音素材，想让他念全新的脚本或讲解词。 | 台词直接写在提示词或节点中，无需与音频原内容一致。 |
| 连台词配音 | 配音 | 上传的音频就是成片中的真实音轨。画面里的人物将严格照着这段音频的发音节奏与波形匹配唇形。 | 已经录制好专业配音、播音员干声，或者使用生成好的配音轨。 | 必须在台词框中将音频里的原话一字不差地填入，帮助模型精准对齐发音位置。 |
1. 单人 30 秒长镜头口播制作全流程
- 准备角色与场景素材：从资产库选取演员的清晰定装立绘，搭配整洁的室内场景（如工作室、演播厅、书房等），确保光线均匀、面部无过多遮挡。
- 生成稳定首帧：在图片生成台或画布中，将角色与场景合成为开场画面（建议采用平视中景半身构图，人物端坐或站立在桌前，为后续手势留出呼吸感）。
- 设置视频参数：档位选择专业档，画幅可根据平台选择 9:16（竖屏短视频）或 16:9（横屏视频），时长设定为 30 秒。
- 绑定声音与编写提示词：上传一段清晰无杂音的角色参考音色（建议 10~14 秒）；提示词中加入防切镜指令，并以引号明确包裹台词全文。
- 提交生成与成片：系统自动调度渲染，成片人物神态自然，手势平缓，从头到尾连贯说完台词。
2. 「视频角色」节点的高效用法（人像与声音绑定）
在 Zorival 画布中，「视频角色」节点是组织角色视听资产的核心工具：
- 一人一节点：把角色的立绘或定装连入「视频角色」节点的图像端口，将资产库或上传的角色声音连入声音端口。
- 一体化连线：连接完成后，将「视频角色」节点直接拉线连入后方的「视频生成」节点，并在连线弹出菜单中选择对应的身份坑位（如「主角」或「配角」）。
- 清晰整洁：避免了传统操作中人物填一处、声音选另一处、台词写在第三处的割裂感，身份与声音在画布上一目了然。
3. 多角色同框对白与声音分配（各说各的话）
当画面中需要两个人（或多个人）同时出现并轮流说话时：
- 分配角色坑位：在视频生成节点上，分别连接主角与配角（例如男主连接为主角，女主连接为配角）。
- 分配独立音频：在专业档下，支持挂载多段独立音频。为主角色与配角色分别绑定各自的声音样本。
- 交替台词编排：在提示词中明确指出发言顺序。例如：女子说：「你要走的话，就别回头了。」男子答：「我回头，是想告诉你我会回来。」模型将根据提示词的时序分配唇形动作，实现男女各用各的声音、先后开口对答。
1. 语速与字数黄金配比
- 30 秒镜头：台词字数推荐控制在 118~120 个汉字；
- 15 秒镜头：台词字数推荐控制在 58~60 个汉字；
- 5 秒短镜头：台词字数推荐控制在 18~20 个汉字。
2. 避免模型自行补充语句的字数安全线
如果台词字数过少（例如 30 秒镜头只写了 90 个字），成片在念完台词后会留出较长的静止空白，模型可能在后半段自作主张补充重复短句填补空白。因此请务必写足安全字数。
3. 规避发音偏差的措辞技巧
- 结尾字避免连带词：词语在句尾独立出现时发音最准。例如将“点一下生成就行”改为“点一下就可以生成”，可避免尾音吞字。
- 少用顿号串联长清单：如“角色、商品、场景和声音”连续顿号，模型容易念快或读漏，可改写为“把角色和商品连成一体，场景和声音也随时可用”。
- 少用短动作一连串堆叠：用清晰的短句交代动作，避免连用四五个逗号。
- 不念网络链接：口播脚本中切勿直接加入网址或长英文链接，既容易引发口音偏差，也容易被平台限制流转。
4. 标点符号与断句规范
- 逗号与句号代表天然的换气点。建议单句长度控制在 8~15 字之间。
- 人物说的台词务必用标准的中文引号「」或“”包围，提示词模板格式建议写为：她从头到尾连贯地说完下面这段话，口型与每一个字同步。她说的台词是：「……」
以下案例均已在平台上线，可在示例页或画布模板中一键打开复现：
1. 画布示例：虚拟讲解员 30 秒口播
画布示例：虚拟讲解员口播
从资产库选出紫发讲解员的定装，和 Zorival 工作室合成竖屏首帧；用「视频角色」节点把她和她的音色绑在一起，照着台词说完一段 30 秒的品牌介绍口播。共 6 个节点，可在电脑端直接在画布中打开、一键复现，换成你自己的角色、声音和台词即可。
2. 画布示例：大漠对决前后对白
画布示例：大漠对决
两位古风真人角色（谢珩、云裳）用定装合成大漠首帧；两个「视频角色」节点分别绑上各自的人像和音色，一镜到底完成 15 秒的对打：打斗前后各有两句对白，中间快攻快挡、黄沙飞溅。共 8 个节点，可在电脑端直接在画布中打开、一键复现，换成你自己的角色、声音和台词即可。
3. 示例作品：双人雨夜街头对戏（各说各的话）
双人对戏·各说各的话
雨夜街头，两人共撑一把伞面对面站着，霓虹灯在湿地面上反光。镜头缓慢平移，两人依次开口说话，口型清晰可见。女子说：「你要走的话，就别回头了。」男子答：「我回头，是想告诉你我会回来。」全程一镜到底，不切镜头、不转场
4. 示例作品：真人男女主对答短片
真人主角·双人对答（竖屏）
镜头固定不动，一镜到底，始终在场景图里这间木质工作室里：后墙发光的紫色 Z 与 ZORIVAL 标识、墙上的装框画作和实木工作台全程保持不变。主角（女，身穿唐制齐胸襦裙，发髻上别着 Z 字发夹）与配角（男，炭灰西装，西装左驳领上佩戴道具里的这一枚 Z 胸针）并肩站在实木工作台后面，面向镜头，中景，两人上半身清晰。主角先转头看向镜头说：「角色和声音，都存进资产库，随时调用。」配角随后微笑着接话：「两个人各用各的声音，这才叫让 AI 听你的。」两人口型清晰，各说各的，不切镜头、不转场，没有字幕。
- 音频开头预留微小静音：自己录制或剪辑参考音频时，在音频开头留出约 0.2~0.3 秒的空白无声切口。这能让模型在起播前做好唇形准备，避免起始字发音仓促。
- 保持环境音描写自然：提示词中对环境音（如下雨滴答、微风拂过、纸张翻动）进行生动描述，模型在配音的同时会自然保留环境氛围音效，带来逼真的临场感。
- 避免跨性别配音错位：在专业档只借音色模式下，如果画面是女性角色，模型会倾向于使用贴近女性的嗓音表现；若确实需要反差音色或锁定声线，建议选择「用作配音」模式。
- 参考音频时长上限与自动处理机制：系统支持单条参考音频与多角色音频合计总时长上限为 15 秒。在「只借音色」模式下，若多段声音样本合计超过限制，系统会自动进行智能平衡截短，保留短音频、对长样本平摊截取，由于台词是另外书写的，截短样本不会丢失台词内容。在「配音」模式下，由于音频本身就是台词原声，截短音频会导致台词被剪断，因此系统会在提交前进行提示，请创作者先改短台词与录音时长。
- 多角色发声人数上限：视频页一个镜头最多 4 位角色各用各的声音，画布一个视频节点最多 5 位。
- 首帧比例建议：口播视频若使用首帧，建议使用与成片画幅一致的比例（如 9:16 对应竖屏立绘，16:9 对应横屏半身），避免开头画面拉伸。