掌握AI对口型视频的制作方法，其实并不复杂。本文将深入解析一个多角色唇形同步视频的完整制作流程，拆解关键步骤，帮助你轻松上手。核心工具是即梦与可灵：前者负责生成画面与视频素材，后者则提供更灵活的口型同步能力。下面我们一步步操作。

主要依赖两款AI工具：即梦和可灵。即梦擅长生成高质量画面与动态视频，可灵则在嘴型匹配上更具自由度。现在按流程走一遍。

单人口型同步

先看第一个分镜：一位女生手持手机正在自拍Vlog。要营造这种临场感，提示词中必须包含“第一视角”“自拍视角”等关键词。画面比例推荐9:16或2:3竖屏。

例如，这样写提示词：

女大学生走在一条古老的山间小道上，正在自拍，短发，白色T恤，蓝色牛仔裤，刚下过小雨。

当然，想要更专业的效果，可以把提示词交给大模型优化。它会生成细节更丰富、镜头感更强的版本，最终成片质量也更高。

分镜一生图提示词

第一视角，第一人称自拍视角，正面面对镜头。一个20岁出头的中国女大学生，短发，白色T恤、蓝色牛仔裤，背着户外背包，正举着自拍杆对镜头灿烂微笑。她身处一条被薄雾笼罩的古旧山间石板路上，光线是柔和的漫射晨光，背景的绿色森林在浅景深中虚化。8K画质，细节极其丰富。

如需让角色拥有特定外观，还可以通过垫图方式实现。

这个镜头里，女生一边自拍一边走路并说话，因此需要做口型同步。目前主流的AI对口型方法有两种：即梦的上传图片对口型，以及可灵的上传视频对口型。区别在于，即梦的图片对口型不支持写提示词，无法控制角色动作，所以这里选择可灵的视频对口型方案。

先准备好视频。把分镜一的图片上传到即梦或可灵进行图生视频。提醒一点：即梦即使付费会员，生成的图片和视频默认也会在左上角加上水印。如果介意，建议在可灵完成图片与视频的生成。

基于分镜一的图片，生成视频的提示词可以这样写：

镜头晃动，自拍视角，镜头跟随。一边朝镜头方向走路一边不停说话，另一只手偶尔比划动作。第5秒开始笑容渐渐消失，露出疑惑的表情，继续说话并左顾右盼，好像在寻找什么声音。

为何这样写提示词？自即梦视频模型3.0起已支持多镜头生成。设计上我们希望女主角在徒步过程中听到王维吟诗的声音，随后感到疑惑并寻找声音源头。所以提示词里需要限定时间区间：前几秒正常徒步，后几秒转向寻找声音。动作、表情等细节根据框架补充即可。

上面这个10秒的片段很好地展现了女主角从动作到表情的完整变化。给这段视频配音时，最好配一个9～10秒左右的音频。时间过短需裁剪视频，过长会被截断。

先到海螺AI（https://www.minimaxi.com/audio）生成配音。输入台词，选一个喜欢的音色，点击生成，就能得到约10秒的声音文件。

接下来去可灵（https://klingai.kuaishou.com）为这段视频配上声音。在生视频界面，先点左侧的“对口型”选项，上传之前生成的视频片段。系统自动跳转到编辑音频窗口，上传配音并添加。音频会显示在左下方的轨道中，你可以拖动或裁剪，让音频对齐视频中角色说话的时间点。最后点击生成，等待一两分钟即可完成。

多人口型同步

接下来看多人场景下的对口型操作。

将含有多人的视频上传到可灵，它会自动识别画面中有几个角色。例如下面例子中，可灵识别出一男一女。

如果先给女性配音，选中她的头像，再上传她的配音文件。这样可灵就知道这段音频是配给那位女性的。在左下方的轨道区调整音频位置，比如让女性从第0秒说到第3秒，就把配音素材放在这个时间区间。

配音视频生成后保存。接着需要给同一视频里的男性配音。把上一步生成（已包含女性配音）的视频再次上传，选中男性头像并上传他的配音。这里想让男性从第3秒说到第10秒，就把音频放在这个区间，同时记得打开视频原声（保留女性的配音）。点击生成即可。

核心逻辑是：第一次配音给女性，占据0～3秒；第二次配音给男性，从第3秒到第10秒，并保留上一步的原声。这才是多人对口型的关键——时间线不能重叠。

其实，很多人觉得AI工具门槛高，一直犹豫不决。但真正动手试试就会发现，并没有想象中那么难。只要一步一步跟着做，你也能制作出专业级的多角色对口型视频。