很多用户希望借助度加AI将若干张图片合成为带有配音的抖音图文视频，但在实际操作中经常遇到找不到入口、生成后语音卡顿、图片被自动裁切变形等问题。其实问题并不在于你，而是2026年7月最新版度加AI的图文视频生成逻辑发生了变化：它不再叫“图文成片”，而是隐藏在「智能创作」的二级菜单里，并且必须手动关闭“智能构图”才能保留原始图片比例。下面直接拆解完整操作流程。

打开度加AI并定位图文视频入口

访问度加AI官网（dujia.bytedance.com），使用抖音账号扫码登录。在首页顶部导航栏点击「智能创作」，在下拉菜单中找到并选择「图文转视频」。这一步千万注意不要误点「AI成片」或「脚本生成」——这两个入口走的是文生视频路线，会忽略你上传的图片。

上传图片与设置基础参数

点击「上传图片」区域，拖入3～12张JPG或PNG格式图片，每张大小不超过10MB。图片必须按播放顺序编号命名，例如01.jpg、02.jpg……否则系统会自动打乱顺序。勾选「保持原始比例」，然后关闭「智能构图」开关（该开关默认开启，不关闭的话人物头像容易被裁切）。接着设置视频时长：每张图片默认停留3秒，总时长等于图片数量×3，也可以手动微调任意一张图片的停留时间。

生成配音的两种方法

方法一：AI自动配音（推荐新手使用）
点击「添加配音」→ 选择「AI配音」→ 在音色列表中选取「温暖女声-03」或「沉稳男声-05」（2026年7月实测这两个音色的口型同步率最高）→ 点击「生成配音」，等待8～12秒即可完成。

方法二：自定义文案配音（适合有脚本需求的用户）
先点击「编辑文案」，为每张图片输入对应的旁白（例如第一张图填写“清晨六点，老城区的青石板路泛着微光”）。然后返回配音页面，选择同一音色，点击「按文案配音」——系统会严格按照你写的文字逐句合成，语速自动匹配字数。

注意：如果文案中包含方言词汇或专有名词，比如“厝边”“鲯鳅”，务必在文案后面加括号注音，否则AI可能读错。

导出前的关键校验步骤

第一步：预览全片，拖动时间轴检查每张图片是否完整显示、配音是否卡在画面切换点。

第二步：点击「字幕设置」，开启「自动识别配音生成字幕」，字体选择「思源黑体 Bold」，字号设为48，位置选「底部居中」。

第三步：点击「导出设置」，分辨率选「1080×1920」，帧率选「30fps」，码率选「8Mbps」，格式选「MP4」，最后点击「立即导出」。