PixVerse 口型同步与原生音频生成

原生音频是什么

从 V5.5 版本开始，PixVerse 不再只是生成「哑视频」——它可以同时生成视频里的声音，包括：

而且不仅有声音，还有口型同步（Lip Sync）——如果提示词里写了说话内容，生成的视频中人物的嘴型会和说出的话对齐。

这是 PixVerse 区别于很多同类工具的一个重要能力——其他工具通常需要先生成视频，再配音或用专门的口型同步工具后期处理。

在生成界面找到「声音」或「Audio」选项，开启即可。默认是关闭的，记得手动打开。

开启后，PixVerse 会在生成视频的同时，根据你在提示词中写的声音描述，生成对应的音轨。

直接在提示词末尾加：

声音：轻柔的海浪声 + 远处的海鸥叫声 + 若有若无的风声

动作描述和音效描述可以放在一起：

...LED 灯环渐变亮起，发出柔和的启动提示音和细微的电流嗡鸣...
...小猫用前爪轻轻拍打木制风车，木质叶片缓慢而自然地旋转。声音：微小的猫爪拍击声、叶片转动的轻柔摩擦声...

这是目前比较高阶的功能。在提示词中描述对白内容和说话者：

...穿西装的中年男人转向镜头，表情严肃，开口说话：「项目必须在下周完成」。声音：低沉稳重的男声，语速适中...

...背景有轻柔的钢琴音乐，音量较低，营造出宁静的氛围...

黄昏的海岸线，金色阳光洒在海面上，海浪轻轻拍打沙滩。镜头从海滩上缓慢推进到海水边。
声音：有节奏的海浪拍打声、偶尔的海鸥叫声、远处传来的风铃响声。
8 秒，16:9，1080P，声音开启。

咖啡馆里，两个穿休闲装的年轻人面对面坐着。女生笑着说：「今天的拿铁真好喝」，男生点头回应：「下次带你来这家新开的店」。镜头从中景缓慢推进到两人的面部特写。
声音：咖啡馆背景的低噪人声和咖啡机声、两人的对话、轻柔的爵士乐。
10 秒，16:9，1080P，声音开启。

哑光黑色智能音箱放在胡桃木桌面上，LED 灯环渐变亮起。镜头从左侧缓慢推进到特写。
声音：柔和的启动提示音、细微的电流嗡鸣声、灯环颜色变化时的轻微咔嗒声。
10 秒，16:9，1080P，声音开启。

把声音描述写具体：「轻柔的海浪声」比「有声音」好得多
对白要简短：8 秒视频里控制在 1-2 句短对话
单独生成音轨：某些场景下，用 PixVerse 生成纯音频素材（通过 API 或 CLI 的 create music 命令），再手动叠加到视频上，效果更好
后期混音：要求高的场景下，PixVerse 生成的声音作为草稿，后期用专业工具精修

回到提示词编辑界面，开启声音选项，其他设置不变，重新生成即可。大多数情况下提示词本身已经包含了声音描述，不需要改。

部分版本和 API 支持单独导出音轨。如果界面上没有这个选项，可以下载完整视频后用 FFmpeg 等工具提取音轨。

可以在提示词里描述：「低沉稳重的男声」「清脆的少女声」「沙哑的老者声」。模型会根据描述生成相应音色，但精确控制有限。

几个优化方法：