和音效生成有什么区别？

音效生成是你描述一个声音，它给你那个声音 —— 适合要某一个具体音效的时候。这一页是反过来的：你给画面，它读画面决定该有什么声音。要给整段视频一次配齐用这一页，要某个特定的一声用音效生成。

生成的声音会自动对上画面吗？

会，因为音频本来就是按这段画面生成的，动作发生的时间点是从画面里读出来的。这也是它比自己找音效再对时间轴省事的地方。

可以补一句描述来引导氛围，比如说明是室内还是室外、安静还是嘈杂。但主要判断还是来自画面 —— 画面里没有的东西，很难靠描述让它出现。

主要是环境和动作声。需要清晰的台词用文字转语音单独生成，再和这层音效一起放进画布。要让画面里的人物口型对上台词，用口型同步。

用 AI 生成视频，最容易被忽略的落差不在画质，而在声音：大部分视频模型只出画面。一段没有声音的片子，哪怕画面很好，看起来也总是"空"的 —— 缺的是让画面落地的那层环境声。

补声音的传统做法是翻音效库：找环境声、找脚步、找碰撞，再一条条对到时间轴上。声音本身不难找，难的是对齐 —— 每个动作发生在第几帧，得一个个数。

这一页把这件事反过来做：把视频交给它，模型读画面里发生了什么，生成对应的声音。时间点是从画面里读出来的，所以本来就对齐。

这是它和音效生成最大的区别。音效生成是「你说什么它做什么」，这一页是「它看到什么就做什么」。

所以你可以补一句描述引导氛围（室内还是室外、安静还是嘈杂），但主要判断来自画面。画面里没有的东西，很难靠描述让它出现 —— 想要画面之外的声音，用音效生成单独做一条更直接。

人声也是同理：这一页给的是环境和动作声。需要清晰台词的话，用文字转语音单独生成，再和这层音效一起放进画布。

把它放在流程的最后一步：画面定稿之后再配声音。因为它是读画面生成的，画面一改，声音就得重做。

一个实用的分层：先用这一页把整段的环境和动作声铺上，再用音效生成单独补几个想强调的声音，最后如果需要配乐和台词，各自生成后在画布里混到一起。这样每一层都可控，也不用为了改一个声音重跑整段。