有官方说明正好提到这个现象：「专业、温暖、有吸引力」这类词把声音的大部分交给了模型，往往会出来一样的、打磨过的念法。这句原文讲的是用文字描述声音。想让声音更确定，就给一段参考音频。
几家官方说明合起来的写法是：上传参考音频，在提示词里写一次「音色参考 音频 1」，台词放进引号，写清是谁在说；不要对白，就写「无对白」。
说明一下：这篇是照几家官方说明整理的写法，下面的提示词是示例结构，没有实跑过，效果以你自己的测试为准。
参考音频能管什么，不能管什么？
有官方说明的任务表里，「音频参考」一项写的是：输入提示词和音乐、对白或音色参考音频，输出音轨和参考音频对齐的视频。
另一家官方说明写得更窄：音频输入目前只支持人声参考，用来指定说话人的声音；背景音乐和音效由模型根据画面生成。
所以同一件事，各家支持的范围不一样。上传之前，先看你用的产品写的是只认人声，还是音乐也能参考。
音色参考怎么写进提示词？
有官方说明给的写法：在角色后面加上「音色参考 音频 N」，写一次，这个角色的所有对白都按这个音色。
它的示例意思是：用音频 1 的音色说：“……”。
所以有两个角色时，各自绑一段音频：
- 店主（音色参考 音频 1）
- 顾客（音色参考 音频 2）
后面的台词只要写清是谁说的，不用每一句都再绑一次。
台词怎么写，模型才知道是谁在说？
有官方说明写到：一句引号里的台词，如果画面里看不出是谁在说，也没有标明是旁白，可能会被当成要出现在画面里的文字。
所以每句台词前面，都写上说话的人，最好再写一句他在画面里做什么，比如「店主抬头看向顾客，说：“……”」。是画外音，就写明「旁白」。
另一家官方说明写到：想生成某种语言的语音，就把台词用这种语言写在引号里。要中文配音，引号里就写中文。
同一份说明还建议：想让声音更具体，就描述说话人的年龄、音调、语速和情绪。有参考音频时，这几项可以用来补充语气，比如「语速放慢，带一点疲惫」。
不想要对白，怎么写？
有官方说明写到：不要对白时，要明确写「无对白」，否则由模型自己决定要不要加对白。
只放音乐和环境声的空镜头、产品展示镜头，最容易漏掉这一句。
参考音频上传有什么限制？
下面是两家各自的产品规则，不是行业标准，以你用的产品实际界面为准：
- 有一家写的是：每次生成最多 3 个声音档案，每段音频 5 到 30 秒，每个文件不超过 50 MB。
- 另一家的一个预览版模型写的是：最多上传 3 段参考音频，每段 3 到 12 秒。
两家的时长要求差了不少，所以别把某一家的数字当成通用标准。
参考音频怎么准备？
这一节官方没有写，下面是通用写法，不是实测：
- 一段音频里只有一个人在说话。
- 尽量干净：没有背景音乐，没有明显的回声和杂音。
- 语气接近你想要的成片：要平静讲解，就别拿一段大喊的录音。
- 时长按你用的产品要求截取，开头结尾别留太长的空白。
可以整段复制的提示词长什么样？
一家小面包店里，清晨，暖黄色的灯光。店主（音色参考 音频 1）站在柜台后面，顾客（音色参考 音频 2）推门进来。
顾客走到柜台前，看着玻璃柜里的面包，说：“今天的牛角包还有吗？”
店主抬头笑了一下，从柜子里拿出一个纸袋，说：“刚出炉，给你留了最后两个。”
店主的语速放慢，语气温和。背景有轻微的烤箱声。
不要对白的版本，在最后加一句：无对白，只保留环境声。场景和台词是我们编的示例，没有实跑。
大家还常问什么？
问：每句台词都要写一次「音色参考 音频 1」吗？
答：不用。有官方说明写的是写一次，这个角色所有对白都适用。
问：可以上传一段音乐当背景音乐参考吗？
答：看产品。有一家目前只支持人声参考，音乐和音效由模型根据画面生成；另一家的任务表里有音乐参考。以实际界面为准。
问：参考音频要多长？
答：各家规定不同。有一家写 5 到 30 秒，另一家的预览版模型写 3 到 12 秒。
问：台词变成了画面里的字幕，怎么回事？
答：可能是没写清谁在说。有官方说明提到，看不出说话人的引号台词，可能被当成画面里的文字。
问：这个写法你们实测过吗？
答：没有。这是照几家官方说明整理的写法（2026-10-26 核对），准备音频那一节是通用写法，示例没有实跑。
能直接套用的空白模板是什么？
【场景、时间、光线】。【角色 A】（音色参考 音频 1）【在做什么】，【角色 B】（音色参考 音频 2）【在做什么】。
【角色 A】【一个动作】，说：“【台词原文，用目标语言】”
【角色 B】【一个动作】，说：“【台词原文】”
【补充语气：年龄、音调、语速、情绪】。【不要对白时写：无对白】
上传前对一遍：
- 看过产品支持哪些音频参考：只认人声，还是音乐也行。
- 每段音频只有一个人在说话，时长符合产品要求。
- 每个角色绑了一次音色参考。
- 每句台词前写了是谁在说。
- 不要对白的镜头写了「无对白」。
最后更新：2026-10-27｜模型港 NextRelay