描述一個場景，讓它有聲音

可用自然語言描述，產生語音、角色對話、音效、環境聲和音樂，輸出一條音軌。

可以，支援 1 張不超過 10 MB 的 JPG、PNG 或 WebP 圖片，並透過提示詞描述所需的音訊或台詞。圖片參考不能與音訊參考或預設音色混用。

最多支援 3 條 WAV、MP3 或 OGG Opus，每條不超過 30 秒、10 MB。在提示詞中依照上傳順序使用 @音频1、@音频2、@音频3 引用。有可用預設音色時，選擇音色會佔用一個參考位置。

單次原始音訊最長 120 秒。可以在提示詞中描述總時長，以及各句台詞出現的時間段。

這個頁面輸出音訊檔。可以把影片關鍵影格當作圖片參考，生成後再透過編輯器與影片合成。自動理解影片、口型同步和影片匯出屬於另外的工作流程。

生成前開啟字幕選項。模型返回帶有時間戳記的人聲字幕後，即可與音訊一起下載 SRT 檔案。

目前接取輸出一條生成音軌。如需獨立混音，可以分別產生對話、音樂和音效後，在編輯器中組合。

提交前會顯示當前單價，先按最長 120 秒預扣，生成後根據原始音訊時長向上取整到秒結算，多餘積分退還。調整播放語速不會改變計費使用的原始長度。