AI 视频多角色对话：同框生成还是分镜剪辑，按 5 个条件选

多角色对话用同框还是分镜：先看这 5 个条件

一场两人以上的对白，有两种生产方式。同框一次生成：两个角色同在画面里，台词、口型、表情由模型一次出完。分镜生成再剪辑：拆成单人近景、正反打、过肩镜头，每个镜头只让一个人开口，各自生成后在剪辑软件里接起来。

判断用哪种，看这场戏的 5 个条件：

五项里多数落在左边，先试同框；有一项明确落在右边（尤其是人数和台词长度），直接分镜，不要在同框上反复重抽。介于两者之间时，有两种折中：一是用模型自带的多镜头功能，让模型在一次生成里自己切正反打；二是 Runway 官方帮助文档里写的流程，两人同框，但每个角色的口型分开驱动，再合成。

下面的判断都来自各厂商截至 2026 年 10 月 19 日的公开文档和署名第三方文章，没有附带生成测试，所以不写成功率。

同框一次生成：两个人、短对白、要看到互动时用

同框的好处是互动真实：一个人说话时另一个人的反应、两人之间的距离和动作都在同一画面里，剪辑工作量也最小。代价是模型要在一次生成里同时管好两张脸、两种音色和"谁在哪一秒开口"。

这个代价在官方文档里有直接记载。字节跳动 BytePlus 的 Seedance 2.5 提示词指南把"多主体视频里角色与参考图、音色或出场顺序错配"列为典型问题，例子是第一个出场的角色被替换成另一个参考角色。它给的修法是：按角色首次出场的顺序上传参考素材，并在提示词里按这个顺序重新编号，让每个角色和自己的图片、音频一一对应。它还提醒，单个任务同时叠加多种参考和编辑要求时结果可能不稳定，建议拆成几个更简单的任务。

在其他模型的文档里，这类失败没有被写成明确条目，但从功能边界看得出同框的难点：

• Veo 3.1：Gemini API 的 Veo 文档让你用引号写台词，官方示例就把两个人的台词放进同一段：先写"Man:"加动作和一句台词，再写"Woman:"加动作和回答。文档没有写一段最多几人说话，这不等于不支持。单段只有 4、6、8 秒，两句短对白基本就是上限。
• Gemini Omni 1.1 Flash：Omni 文档说明，默认会把一段视频生成成几个不同镜头；要两人一镜到底，必须在提示词里写明 "No scene cuts" 或 "In a single continuous shot"。Omni 不支持上传音频参考，也不支持修改人声，所以没有办法把某个声音绑定到某个角色。
• Kling 3.0：可灵的 3.0 发布说明称原生音频在多角色场景里可以"精准指定说话的角色"，这是厂商的说法，没有独立测试佐证。

同框想提高一次就对的概率，提示词里要做三件事。第一，每个角色一个固定称呼和一组固定外观描述（发型、衣服颜色、一件道具），每一段都原样重复，不改成"她""那个男人"。第二，每一段同时写谁说、谁听、听的人在画面哪一侧。第三，台词短，两人轮流说，不写抢话和同时说话。第三方站点 Seedance TV 2026 年 8 月的一篇文章也是这个思路：它认为两个角色最可控，三个角色要靠外观差异明显才行，人更多就拆成双人镜头和反应镜头再剪。

分镜生成再剪辑：台词长、三人以上、要反复改时用

分镜的核心是每个镜头只有一个人开口。单人近景不存在"嘴动的人不对"这个问题，音色也只有一种；某一句台词要改，只重做那一个镜头。代价是生成次数变多，以及要把人物在不同镜头里保持一致，剪起来视线、轴线、光线都接得上。

一场两人对白的常见拆法：

1. 建立镜头：两人同框的中景或全景，交代位置关系，不说话或只说一句。
2. 正反打：A 的近景说话（可带 B 的肩膀做前景，即过肩镜头），再接 B 的近景回答，交替推进。
3. 反应镜头：听的人的表情，几秒即可，用来遮住剪辑点、调整节奏。
4. 收尾：回到双人画面，一个动作或停顿。

Google 的 Vertex AI Veo 提示词指南也把"两人交谈的中景"和"对话里常用的过肩镜头"当作基本写法，这套镜头语言模型是认识的。

分镜最难的是人物一致。具体做法：

• 每个角色准备单人参考图，不用合照。Seedance 2.5 文档建议在文字里写明"图片 1-2 是角色 1，对应音频 1；图片 3-4 是角色 2，对应音频 2"，不要只把名字写在图片上，否则容易混淆或复制角色。
• 声音单独固定。Seedance 2.5 可以用音频做参考；Kling 3.0 Omni 的发布说明写到可以给角色元素加一段至少 3 秒的说话音频来提取音色。Omni 和 Veo 的文档都没有音频参考，同一个人在不同镜头里的声音可能对不上，可以考虑先出画面，配音和口型另外处理。
• 剪辑守住 180 度轴线：A 一直在画面左侧朝右，B 在右侧朝左，正反打时不要让两人换边。提示词里每个镜头都重复站位。
• 用声音桥藏剪辑点：下一句台词提前半秒进来（J-cut），或上一句的尾音拖进下一个镜头，比硬切自然。环境声和音乐最后统一铺一条。

台词常改的场景，分镜的优势最明显：Seedance 2.5 文档里的编辑示例可以"只修改视频 1 里男人的台词"，并保持其余内容不变；而 Omni 明确不支持修改人声，也不能给上传的说话视频续写新台词。

Seedance 的提示词写法、参考素材编号和局部修改，详见 Seedance 2 提示词指南：分镜、参考素材与 2.5 编辑示例。

如果你用 API 批量出分镜，laozhang.ai 提供 Seedance 2.5 接口和 Seedance 虚拟人素材接口：用一张公开的 HTTPS 图片建一个虚拟人素材，在每个镜头里以 asset 地址作为参考图引用，让同一个角色跨镜头保持一致。

说明：laozhang.ai 是我们自己的服务，其价格是平台报价，不是独立比较的结论。

折中做法：模型自带多镜头，或逐角色驱动后合成

模型自带多镜头：一次生成里由模型自己切出正反打。可灵 3.0 发布说明写到多镜头功能能理解"经典的正反打对话"并自动调整机位；API 文档写明每次 1–6 个镜头，每个镜头至少 1 秒，各镜头时长之和等于总时长，每个镜头的描述最多 512 字符。Omni 默认就会切几个镜头；Seedance 2.5 支持用 Shot 1、Shot 2 加整数秒时间戳分段；MiniMax H3 宣称"原生多镜头建模"；Wan 2.7 文档里也有"Shot 1 [0–3 seconds]"这样的分镜写法。

它的好处是一次出片、风格和光线天然一致；局限是整段仍是一次生成，某一句错了要整段重抽，总长也受单段上限约束（Kling 3.0 为 3–15 秒）。适合台词不长、又不想同框一镜到底的场景。

逐角色驱动后合成：Runway 帮助中心有一篇 用 Act-Two 制作多角色对话的教程（2025 年 12 月 17 日更新），因为 Act-Two 只支持单个角色输入，流程是：

1. 分别录下每个角色的表演和台词，总长不超过 30 秒（Act-Two 上限）。
2. 用 Gen-4 Image 的参考功能生成一张两人同框的图。
3. 用这张图生成 10 秒的底片视频，台词更长就用最后一帧接着生成。
4. 把底片裁成只剩一个角色，用 Act-Two 套上该角色的表演；另一个角色同样做一遍。
5. 在剪辑软件里把两个 Act-Two 输出叠回底片上对齐合成。

结果画面上是同框，但每个人的口型是分开驱动的，嘴动的人不会错。代价是要录表演、要会基础合成，Act-Two 按每秒 5 credits 计费。Runway 的独立 Lip Sync 工具已在 2026 年 5 月 27 日下线，官方给的替代就是 Act-Two。

哪些模型能让几个人说话：官方文档写明的能力对照

下表只收截至 2026 年 10 月 19 日第一方文档写明的内容；"未写明"表示文档里没有，不代表一定不支持。Sora 的 API 已在 2026 年 9 月 24 日关闭，不在选项里。各平台的可用地区以平台说明为准，Veo、Omni、可灵海外版等在中国大陆使用受地区限制。

可灵 4.0 于 2026 年 10 月 15 日全量开放，发布说明写到 3–30 秒、参考音频（仅限音色）、口型同步更准，但没有重述多镜头数量和多人说话的能力，API 文档也还停留在 3.0，所以表里按 3.0 写。

开源的 MultiTalk 在仓库里把自己定位为"音频驱动的多人对话视频生成"，用配置里的 person1、person2 把每段音频绑到对应的人；它的论文也承认存在"音频和人物绑定错误"的问题。

只在 Seedance 和 Veo 之间二选一时，按时长、参考和价格怎么比，见 Seedance 和 Veo 哪个好：时长、参考与每秒价格；想先确定 Wan、MiniMax 和 Seedance 先测哪个，见 Wan 3.0、MiniMax H3、Seedance 2.5 怎么选：先看交付约束；Omni 的入口和模型名见 Gemini Omni 1.1 Flash 怎么用：先分清应用、Flow 与 API。

分镜比同框贵多少：看重抽粒度，Veo 的 8 秒规则例外

每秒单价对两种方式是一样的，差别在于生成了多少秒、出错时重抽多少秒。下面用一场 16 秒、两人共 4 句台词的对白演算，价格都是 API 标价，会变动。

Seedance 2.5（BytePlus，720p 约 $0.231/秒，截至 2026 年 10 月 15 日的标价）

• 同框一次生成 16 秒：16 × $0.231 ≈ $3.70。如果需要重抽 2 次才对，总共生成 3 次：$3.70 × 3 ≈ $11.09。
• 分镜 4 个 4 秒镜头：第一轮同样 16 秒、$3.70。假设其中一个镜头重抽 2 次，多出 8 秒：8 × $0.231 ≈ $1.85，合计 $5.54。再加一个 4 秒建立镜头和一个 4 秒反应镜头，多 $1.85，合计 $7.39。

也就是说，在 Seedance 这类按秒计费、单段最短 4 秒的模型上，分镜多出的钱主要是补拍的镜头；一旦同框需要整段重抽，分镜往往更省。国内火山方舟上 Seedance 2.5 按 token 计费，480p/720p、不含输入视频为每百万 token ¥70（截至 2026 年 10 月 15 日），换算到每秒取决于分辨率和时长，可以用同样的方法按"生成秒数 × 次数"估算。

Veo 3.1（截至 2026 年 10 月 1 日的标价：Standard $0.40/秒，Fast 1080p $0.12/秒）

Veo 的规则不一样：用参考图、1080p 或 4K 时，单段必须是 8 秒。为了保持人物一致而给每个分镜都挂参考图，4 个镜头就要按 4 × 8 = 32 秒计费，哪怕每个镜头你只剪用 4 秒：

• Standard：32 × $0.40 = $12.80；Fast 1080p：32 × $0.12 = $3.84。
• 对比同框：拆成两段 8 秒的双人同框片段（各含两句台词），共 16 秒，Standard 为 16 × $0.40 = $6.40，Fast 1080p 为 16 × $0.12 = $1.92。

所以在 Veo 上分镜的第一轮成本大约是同框的 2 倍，只有当同框需要重抽 1 次以上时，分镜才可能更划算。算自己的预算时，把"每条合格镜头的平均生成次数"代进去，比只看单价更接近真实花费。

嘴动的人不对、音色互换：常见失败与下一步

两套未实测的提示词模板：同框版与分镜版

下面两套模板按 Seedance 2.5 文档写明的语法拼成，没有经过生成测试，只作为起点。Seedance 用花括号包台词，素材按上传顺序编号；换成 Veo 时，台词改用英文引号，素材绑定那一行删掉。

同框版（两人、8 秒、一镜到底）：

图片1是角色A：齐耳黑色短发，铁锈红雨衣，米色毛衣，对应音频1。
图片2是角色B：黑色短卷发，藏青色工装夹克，灰色T恤，对应音频2。
白天的车站咖啡馆，固定机位中景双人镜头，不切镜头。
角色A坐在画面左侧朝右，角色B坐在画面右侧朝左，两人始终坐在同一张木桌旁。
0-4秒：角色A说话，角色B看着A、不说话。角色A（压低声音）：{票改到明天了？}
4-8秒：角色B回答，角色A听、不说话。角色B（平静）：{只改了我那张。}
无字幕，无背景音乐。

分镜版（同一段对白拆成 4 个镜头，每个镜头单独生成，每次都上传同样的两张参考图）：

镜头1（4秒）：图片1是角色A，图片2是角色B（外观描述同上）。车站咖啡馆全景双人镜头，A 在左朝右，B 在右朝左，两人坐下，不说话。

镜头2（4秒）：过肩镜头，B 的右肩在画面右侧前景，焦点在角色A。角色A（压低声音）：{票改到明天了？} 只有角色A说话。

镜头3（4秒）：过肩镜头，A 的左肩在画面左侧前景，焦点在角色B。角色B（平静）：{只改了我那张。} 只有角色B说话。

镜头4（4秒）：角色A的近景反应，沉默，低头看杯子。不说话。

剪辑时，镜头 3 的台词可以提前半秒压在镜头 2 的结尾上；4 个镜头出完后统一铺环境声。

常见问题

多个角色的台词怎么写进 AI 视频提示词？

每句台词前写清是谁说的，用固定称呼（角色A、角色B），并写出说话时另一个人在做什么。格式按模型来：Veo 用引号，官方示例是"Man: …"加引号台词；Seedance 2.5 用花括号包台词，素材在文字里按编号绑定到角色；Kling 3.0 的示例是在描述里直接写"某某说：……"。

有没有能免费做多人对话视频的工具？

开源的 MultiTalk 和 InfiniteTalk 本身免费，用音频驱动多人说话，并能把每段音频绑定到指定的人，但需要自己有 GPU 部署。各家商业模型的免费额度经常变动，以平台当前页面为准；宣称免费的第三方网站，背后用的是哪个模型、生成的视频能不能商用，要先看清楚。

三个人以上的对话能同框一次生成吗？

可灵 3.0 的发布说明列出了"多角色指代（3 人及以上）"，官方示例里有一家四口轮流说话。但人越多，错配的机会越多，第三方 Seedance TV 的文章也认为两人最可控。三人以上建议默认分镜，只把需要同框互动的那一两个镜头做成双人画面。

可以用真人照片做多角色对话吗？

主流平台都有限制。Seedance 2.5 不能直接上传真人脸，要用同账号 30 天内的平台生成内容、预设数字人，或通过认证的真人素材；Gemini Omni 不支持上传和编辑含有部分可识别人物的图片。需要用真人形象时，走平台自己的真人素材认证流程，不要用普通照片硬传。

同框生成的对白口型不准，可以只修一句吗？

看模型。Seedance 2.5 文档里有只修改视频中某个人台词的编辑示例；Gemini Omni 明确不支持修改人声，也不能给上传的说话视频续写台词。如果你的台词经常要改，从一开始就按分镜做，改一句只重做一个镜头。