# AI 视频多角色对话：同框生成还是分镜剪辑，按 5 个条件选

> 两人、短台词、要看到互动，用同框一次生成；台词长、三人以上或要反复改词，按镜头拆开再剪。附 Veo、Seedance、Kling 等官方文档写明的能力和失败修法。

- URL: https://blog.laozhang.ai/zh/posts/ai-video-multiple-characters-dialogue
- Published: 2026-10-19
- Updated: 2026-10-19
- Author: LaoZhang AI Team (https://blog.laozhang.ai/zh/about)
- Topic: AI 视频生成
- Tags: AI 视频生成, 多角色对话, 对口型, Seedance 2.5, Veo 3.1, Kling

---
## 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：

| 条件 | 偏向同框一次生成 | 偏向分镜生成再剪辑 |
| --- | --- | --- |
| 开口的人数 | 2 人 | 3 人及以上 |
| 台词总长 | 一段能装下（多数模型单段 4–15 秒，Seedance 2.5 最长 30 秒） | 超过单段上限，或每人台词都很长 |
| 肢体互动 | 有递东西、拥抱、抢话、同时反应，必须在一个画面里看到 | 基本是你一句我一句，互动靠视线和剪辑交代 |
| 台词会不会改 | 定稿了，不会再动 | 客户或导演还会改某一句 |
| 每条合格镜头的预算 | 能接受整段重抽 | 只想重做出错的那一句 |

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](https://docs.byteplus.com/en/docs/modelark/seedance-2-5-prompt-guide)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](https://ai.google.dev/gemini-api/docs/veo)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](https://ai.google.dev/gemini-api/docs/omni)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](https://kling.ai/release-note/release-notes/whbvu8hsip)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。

![一场两人对白拆成建立镜头、过肩正反打、反应镜头和收尾四个镜头，A 始终在左侧朝右，B 在右侧朝左](https://blog.laozhang.ai/posts/zh/ai-video-multiple-characters-dialogue/img/shot-breakdown.webp)

Google 的 [Vertex AI Veo 提示词指南](https://cloud.google.com/vertex-ai/generative-ai/docs/video/video-gen-prompt-guide)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](https://blog.laozhang.ai/zh/posts/seedance-2-prompt-guide)。

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](https://blog.laozhang.ai/zh/about#laozhang)，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](https://help.runwayml.com/hc/en-us/articles/41748090660499)（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。

| 模型或工具 | 单段时长 | 多镜头 | 台词写法 | 角色与声音绑定 | 真人脸 |
| --- | --- | --- | --- | --- | --- |
| Veo 3.1 | 4/6/8 秒；每次延长 7 秒，最长输出 148 秒 | 未写明专门功能 | 引号写台词，可多人标注 | 最多 3 张参考图，原文为"单个人物、角色或产品"的素材图，两人场景怎么用没有说明 | 未写明 |
| Gemini Omni 1.1 Flash | 每次延长 10 秒，总长最多 40 秒 | 默认多镜头，一镜到底须写 "No scene cuts" | 提示词描述 | 不支持音频参考和修改人声 | 不支持部分可识别人物 |
| Seedance 2.5 | 4–30 秒 | Shot N 加整数秒时间戳 | 花括号包台词；非中文台词先写语种 | 图片、音频按上传顺序编号后在文字里绑定；最多 10 段音频，合计 30 秒 | 不能直接上传真人脸，需用平台生成素材、预设数字人或认证的真人素材 |
| Kling 3.0 / 3.0 Omni | 3–15 秒 | 1–6 个镜头，支持正反打 | 提示词里给每个角色写台词 | 厂商称可精准指定说话角色；3.0 Omni 可给元素加音色 | 未写明 |
| MiniMax H3 | 4–15 秒 | 原生多镜头 | 11 种语言对白 | 最多 3 段音频参考，未写明多人绑定 | 未写明 |
| Wan 2.7 | 2–15 秒 | 提示词分镜 | 提示词描述 | 可传一段 2–30 秒音频，未写明多人绑定 | 未写明 |
| Runway Act-Two | 表演最长 30 秒 | 无，逐角色合成 | 用录好的表演驱动 | 每次只驱动一个角色 | 未写明 |
| MultiTalk / InfiniteTalk（开源） | MultiTalk 最长 15 秒；InfiniteTalk 默认 40 秒 | 无 | 音频驱动 | 每段音频绑定到 person1、person2 | 自部署，需自备 GPU |

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](https://blog.laozhang.ai/zh/posts/seedance-2-vs-veo-3-vs-sora-2)；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](https://blog.laozhang.ai/zh/posts/wan-3-vs-minimax-h3-vs-seedance-2-5)；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](https://blog.laozhang.ai/zh/posts/gemini-omni-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

| 症状 | 可能原因 | 先改什么 | 什么时候换方式 |
| --- | --- | --- | --- |
| 嘴在动的不是说台词的那个人 | 提示词只写了台词，没写谁在听；两人轮流说的边界不清 | 每段写明"A 说话，B 在画面右侧听、不说话"，给每句话单独一个时间段 | 同一段重抽几次仍错，改成分镜，或用 Runway 逐角色驱动 |
| 两个角色的音色互换 | 参考图和音频的编号与出场顺序对不上 | 按角色首次出场的顺序上传素材，提示词里重新编号、一一绑定（Seedance 文档的修法） | 模型不支持音频参考时（Omni、Veo），改为分镜后统一配音 |
| 第一个出场的人变成了另一个参考角色 | 同上，Seedance 文档点名的错配 | 同上 | — |
| 脸越来越不像，两人特征混在一起 | 外观描述太像或每段写法不同；用了合照做参考 | 每人一张单人参考图，外观描述拉开差异并逐段原样重复 | 同框始终混脸，拆成单人镜头 |
| 两人在正反打之间换了边 | 没有交代站位 | 第一段定好"A 在左朝右，B 在右朝左"，之后每个镜头重复 | — |
| 想一镜到底，Omni 却切了好几个镜头 | Omni 默认多镜头 | 提示词加 "No scene cuts" 或 "In a single continuous shot" | — |
| 画面里冒出字幕 | Seedance 里台词词语重复可能触发字幕 | 避免重复台词词语，加"无字幕" | — |
| 延长后后半段没有声音 | Veo 延长时，原视频最后 1 秒没有人声，声音就接不上 | 让台词持续到片段最后 1 秒，或把长对白拆成多个镜头 | 台词超过 8 秒，直接分镜 |
| 三人以上的戏乱成一团 | 同框人数超出可控范围 | 拆成双人镜头和单人反应镜头 | 三人以上默认分镜 |

![多角色对话常见失败的修法：嘴动的人不对、音色互换、混脸、延长后没声音、三人以上混乱，各自先改什么、什么时候换成分镜](https://blog.laozhang.ai/posts/zh/ai-video-multiple-characters-dialogue/img/failure-fixes.webp)

## 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）：

```text
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）：

```text
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。

## 参考来源

本文引用的外部页面，按正文出现顺序排列。最后更新于 2026-10-19。

- [Seedance 2.5 提示词指南](https://docs.byteplus.com/en/docs/modelark/seedance-2-5-prompt-guide) (docs.byteplus.com)
- [Gemini API 的 Veo 文档](https://ai.google.dev/gemini-api/docs/veo) (ai.google.dev)
- [Omni 文档](https://ai.google.dev/gemini-api/docs/omni) (ai.google.dev)
- [3.0 发布说明](https://kling.ai/release-note/release-notes/whbvu8hsip) (kling.ai)
- [Vertex AI Veo 提示词指南](https://cloud.google.com/vertex-ai/generative-ai/docs/video/video-gen-prompt-guide) (cloud.google.com)
- [用 Act-Two 制作多角色对话的教程](https://help.runwayml.com/hc/en-us/articles/41748090660499) (help.runwayml.com)