VidVid creation guide
带音频的 AI 视频生成器
把对白、前景音效、环境声和镜头作为一个同步场景来导演，而不是在提示词末尾笼统地写“加声音”。
作者：VidVid · 更新于
核心优势
- 对白与动作同步
- 环境声与音效分层
- 围绕声音规划镜头
配图为 VidVid 工作流示意，未标注为该模型的统一实测样片。
适用制作场景
对白短片
产品声音设计
美食与 ASMR
旅行氛围
无配乐解释片
电影场景测试
操作步骤
- 把场景拆成可见动作与可听节拍。
- 分别写对白、音效和环境声。
- 生成短测试并检查同步时机。
- 先修正时序，再延长场景。
写出声音时间线
把对白和音效绑定到可见动作或大致秒数，让模型有明确的同步目标。
拆分声音层次
分别写前景音效、背景环境、对白和音乐，并明确哪些层不需要。
保护对白清晰度
对白尽量简短，避免关键声音重叠，在需要强调的台词处给画面留出停顿。
生成前检查清单
对白
写出准确短句和说话顺序。
前景声
把关键音效绑定到画面动作。
环境声
说明地点、距离和是否持续。
混音
明确音乐、静默与声音优先级。
可直接使用的提示词
01
6 秒咖啡馆场景。咖啡师在第 2 秒放下杯子并说“还是老样子”。前景有陶瓷轻响，背景是低声交谈，无音乐，镜头缓慢推进。
02
雨街产品揭幕：第一拍雨伞弹开，远处低沉雷声，雨声持续；Logo 只在画面出现，不念品牌名。
03
机械师转动钥匙；咔哒声后发动机启动，再稳定为低沉怠速。固定中景，保留车间环境声，不要配乐。
常见问题
带音频的 AI 视频生成器 适合新手吗？
适合。建议先用模型支持的最短时长测试主体、镜头和光线，再把稳定的方向延长或提高分辨率。
提示词应该写多长？
优先写清主体、动作、镜头、光线、画幅和声音需求。不要把太多场景切换塞进同一条提示词，稳定性通常会更好。
什么时候用图生视频？
已经有产品图、人像、海报或首帧时用图生视频。提示词重点描述运动和镜头，并明确保持主体、文字或构图。
如何降低试错成本？
先用短时长和较低分辨率做 A/B 测试，确认模型、构图和节奏后再生成最终版本。