會說話的虛擬人與對嘴

會說話的虛擬人，是一個嘴部隨著語音同步開合的角色。它需要兩種原料：一張臉（一個人的圖片或片段）和一個聲音（一段音軌）。對嘴把兩者綁在一起，讓角色看起來像是真的在說出那些話。

負責這件事的模型

在 PonPon 上，對嘴跑在 Kling 3.0 上，它就是為對話而生的。它專門的對嘴能力會用一段音軌驅動角色的嘴部，所以一張靜態人像或一個片段都能令人信服地說出一句台詞。要看一個完整的實戰範例，請參見對嘴影片應用案例。

當你的代言人橫跨多個鏡頭出現時，用 Kling 3.0 多鏡頭敘事和多鏡頭角色一致性工作流程，讓同一張臉在鏡頭切換間保持一致。

聲音從何而來

驅動嘴部的音訊，可以來自 PonPon 中的任何地方：

• 文字轉語音——輸入一段腳本，生成一種語音。當你從頭撰寫台詞時最合適。
• 配音轉譯——把一句現有的台詞翻譯成另一種語言，再讓臉對嘴匹配它。
• 一段上傳——你自己錄的聲音。

運作原理

1. 在影片生成器中選擇 Kling 3.0。
2. 提供角色——一張清晰的人像或一個短片段。
3. 提供聲音——生成的或上傳的音訊。
4. 生成。 模型會讓嘴部（以及自然的微表情）與語音匹配。

一個實戰範例

假設你想要一位代言人來介紹一款產品：

1. 在文字轉語音中，生成這句台詞：*「認識全新的 Aero——更輕、更快、屬於你。」*
2. 上傳一張乾淨、正面的代言人人像（真人或 AI 生成皆可）。
3. 把兩者一起跑 Kling 3.0 對嘴。

於是你得到一段那張臉說出這句台詞的短片。用短句生成腳本，你就能只重跑某一句不夠好的台詞，而不必重來整段。

源素材技巧

• 使用一張正面的臉，嘴部清楚可見——側臉和極端角度對嘴效果差。
• 保持音訊乾淨：單一說話者，背景噪音極少。
• 讓表達的情緒與臉相匹配；一張平靜的人像去念一句激動的台詞會顯得很違和。
• 台詞要短。幾句精煉的句子，比一整段長獨白對嘴更可靠。

對嘴 vs 配音轉譯

兩者是互補的：

• 配音轉譯改變音訊的語言，但不動畫面。
• 對嘴改變畫面裡的嘴部，去匹配你給它的任何音訊。

要把一支講話頭像影片在地化？先把音訊配音轉譯成目標語言，再讓臉對嘴匹配這段譯製音軌——成果看起來就像原生錄製的一樣。音訊這一側的完整流程，請參見配音與音訊基礎。