能说能唱的可灵2.6：中文音画同出模型的天花板

能说能唱的可灵2.6：中文音画同出模型的天花板 能说能唱的可灵2.6：中文音画同出模型的天花板 Modified December 5, 2025 No access 13409384475456009 00:00 No access 0bc3iaabsaaa7aaez6rqojuvaqgddfaaagia.f10002 00:00 No access 0bc3tuaboaaaoiahljjqqfuvbhodc6oqafya.f10002 00:00 No access 0b2euiaioaaa74agahzozruvbiwdq6rabbya.f10002 00:00 No access 0bc32uanwaaa6eah46bpuvuvbvod3pkqbwya.f10002 00:00 No access 0bc3zyaceaaalqajnajp2buvbtwdelhaaiqa.f10002 00:00 No access 0b2ebeaayaaazqagktrqf5uvacodbqeqadaa.f10002 00:00 No access 0bc3reaaoaaamqafbgjq5fuvbcoda6eqabya.f10002 00:00 昏暗的Live House舞台，紫红色追光灯交错扫射，并排站立的 独立乐队成员，主唱双手握紧麦克风深情领唱，键盘手和吉他手轻声和声。主唱，磁性中音男声深情唱出："We're standing on the edge of something new..."，成员们温柔和声"Ooh Something new "，镜头从舞台侧面缓缓横移，穿过烟雾，捕捉每个人沉浸投入的表情和微妙的肢体律动。 No access 0bc3smaoqaaaeqal6czqtvuvbe6d5cjqb2aa.f10002 00:00 我们特意主要测试了合唱的场景，多个歌手的声部能够形成协调的和声效果，更重要的是，画面中不同歌手的口型能够与各自的声部基本同步。 从摇滚到爵士，从民谣到电子，可灵2.6都能抓住各个风格的核心特征。正如文章开篇部分的一个摇滚案例，它会生成失真的电吉他音色、密集的鼓点，歌手的肢体语言也会相应地更加激烈——仰头嘶吼、紧握麦克风、身体随节奏摇摆。在民谣或抒情场景中，音乐会变得柔和舒缓，歌手的表情也会更加内敛深情。 而音画同出的意义，就在于声音的情绪可以延展到视觉。 一旦这个功能成熟，会大幅提升制作音乐MV的效率 。懂得都懂，现在AI对口型和寻找情绪表达的成本还是太高了。 再说一下配器：可灵2.6惊喜的能生成多层次的配器结构，包括主旋律人声、和声、节奏组和氛围填充。这非常重要，配器的复杂性往往是衡量音乐性的重要标准，说明可灵至少有潜力在音乐生成上进一步深挖。 作为主打音画同出的功能，长期去实现音乐生成或许是重要的目标之一。所以这次我们也尝试简单做了开头那首说唱。接下来说说如何借助目前的可灵2.6来生成较长的说唱作品。 如何用可灵2.6制作完整说唱 今天发片子之后很多朋友在问是怎么做的，显而易见，我是把很多可灵2.6生成的说唱片段剪到了一起，这件事的核心难点很清楚： 如何让很多10秒的说唱片段融合时自然流畅 。 首先如果你想尝试下面的工作流，我在这里推荐说唱风格。因为在流行、摇滚这种旋律变化很强的曲风下，我们实现连贯拼接的难度是很大的，而大家喜闻乐见的说唱反而更容易做到。 整个流程一共三步，要声明一下：下面的教程会涉及一些基本乐理知识和剪辑操作，不是复制粘贴提示词就能实现的，所以仅推荐愿意折腾的朋友看一下。 基本提示词 结构如下，我会一点一点讲： 猪八戒一边扭着屁股跳街舞，一边表演说唱音乐。搞笑的沙哑低音声线，配合歌词：“哟，哟，伤情最是晚凉天，憔悴厮人不堪言，吆酒催肠三杯醉，寻香惊梦五更寒”，强烈节奏的摇滚乐+电子乐伴曲，电吉他solo，电子鼓点，100BPM。 第1步：锁定BPM 所谓BPM，就是 Beats Per Minute（每分钟节拍数） ，它决定了一首歌曲的基本节拍。也就是说，这是保证多段视频能连贯的重要前提。 有趣的是，大部分AI音乐模型在BPM的支持上只能做到接近但不精确，可灵2.6却大概率（肯定也有失败的时候）能实现较好的锁定，这为多段融合提供了更有利的前提。比如：我们可以在所有的片段中都加入“BPM 120”这样的参数。 这样生成出来的每个片段，在说唱节奏上都是趋于一致的。 第2步：锁定配器，切割歌词，生成片段 为了让每一段的链接不要有割裂感，我们需要通过提示词统一配器。比如我选择的是电子鼓点+电吉他的简单伴奏。这样的好处是去掉不必要的干扰，缺点嘛，要牺牲一部分配器的层次感，也少了惊喜，所以如果你对音乐剪辑很有自信，这一步可以适当放宽。 然后就是要把歌词切成若干段，每一段都是10秒的片段。注意在这里要严格限制字数，否则就会太快或者太慢。 用我自己的片段举例，在BPM100的情况下，这样的歌词量比较合适： 然后就是生成，需要点耐心，如果效果不理想，适当调整歌词的长短。 成功的 重要标准 ：每一段中都有明显的、节奏相近的电子鼓点，大家可以自己听一下，感受到明显的鼓点就可以了。 第3步：剪辑+复用Beat（可选） 接下来需要借助常见的剪辑工具，把每一段连接起来。 注意，连接时不是简单的收尾拼接，每一段之间的连接点要正好让鼓点的标志性重音重合。一般在波形上明显上升的部分就是这个节奏点。 如下图，我是把视频和音频分开处理，每一段之间是部分“重合”关系，而不是“拼接”关系 下面这一步不是必选项，为了更精准地确保节拍的一致性，我们可以采用一个进阶技巧：把第一个片段的beat剥离出来，复用到后面的其他片段中。 其实在大部分剪辑工具中就能完成操作，具体是这样的： 1. 在把前面的工作做好之后，首先是“分离音频”，然后把人声和伴奏再次分离。这时我们把所有的动画和人生轨道都锁定，单独处理第一段的beat。 2. 分析这段音乐的节奏模式，找到一个完整的循环单元（通常是4拍或8拍）， 最关键的是对上节奏点（见上图的示意） 。 3. 将这个循环单元作为节奏模板，调整后续片段时，让每一段的“人声”和“节奏”能对应起来。 对没有剪辑经验的朋友来说可能有点复杂，但实际上并不难。如果你感兴趣，试几次就能找到规律。 这样做的好处是，你不仅能保证BPM数值上的一致，还能确保具体的鼓点、贝斯线等节奏元素在不同片段之间是连贯的。观众听起来，就会觉得这是一个完整的作品，而不是几个拼凑的片段。 通过这样的流程，就能用可灵2.6创作出一个相对完整、节奏连贯的短片了。 不足与总结 说到缺憾，我觉得有以下几点： • 首先，业界老大难问题：多人同时念台词的时候出现小错误（用Veo的时候这个点会把我逼疯）。其实可灵2.6在多人发音上已经很靠谱了，至少台词都很准确，但有几率会把读台词的角色搞错，这个时候就需要一定程度的开盒了，在测试中，只要有点耐心一般都能解决。 • 另外就是，不能支持上传音频和固定声线，估计在规划中吧，长远来说这个功能肯定是会有的。 • 关于音乐MV方面，我在文章中给出的方法只是一种过渡方案，更可靠的解决方案大概是支持长音频驱动多图（机位切换的逻辑）。如果真能实现，AI MV的工作流大概会有大变化。 新工作流的可能性 对于今天在发布创意片之后，好几位朋友都单独找我聊天，怎么看可灵2.6的音画同出。大家也都提到一个问题：音画同出和数字人lip sync，哪个范式更有效。 我没办法预测未来，但就目前模型侧呈现的效果，音画同出的口型与表演明显比数字人的lip sync要自然很多，牺牲的其实是一定的灵活性。 音画同出本质是一个多模态的特性，因此这绝不是一个“小功能”，和Veo2诞生时的文生视频一样，只要是能压缩核心工作流的技术，都是大事。在这次创意片的制作过程中， 团队的同学几乎都在反馈：音画同出带来的效率提升很明显。 至于目前可灵2.6还存在的一些缺憾，我觉得用发展的眼光看问题吧，毕竟所有互联网产品本质上都是一种迭代的过程，以目前视频模型“卷”的速度，很多功能我们应该不用等太久。 总而言之，可灵系模型长期积累的美学优势，在这次2.6版本的升级中得到了很好的体现，再加上中文语音支持很到位， 可灵2.6应该是目前中文创作者音画同出工作流的首选。 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ No access 13409384475456009 00:00 No access 13409384475456009 00:00 No access 0bc3iaabsaaa7aaez6rqojuvaqgddfaaagia.f10002 00:00 No access 0bc3iaabsaaa7aaez6rqojuvaqgddfaaagia.f10002 00:00 No access 0bc3tuaboaaaoiahljjqqfuvbhodc6oqafya.f10002 00:00 No access 0bc3tuaboaaaoiahljjqqfuvbhodc6oqafya.f10002 00:00 No access 0b2euiaioaaa74agahzozruvbiwdq6rabbya.f10002 00:00 No access 0b2euiaioaaa74agahzozruvbiwdq6rabbya.f10002 00:00 No access 0bc32uanwaaa6eah46bpuvuvbvod3pkqbwya.f10002 00:00 No access 0bc32uanwaaa6eah46bpuvuvbvod3pkqbwya.f10002 00:00 No access 0bc3zyaceaaalqajnajp2buvbtwdelhaaiqa.f10002 00:00 No access 0bc3zyaceaaalqajnajp2buvbtwdelhaaiqa.f10002 00:00 No access 0b2ebeaayaaazqagktrqf5uvacodbqeqadaa.f10002 00:00 No access 0b2ebeaayaaazqagktrqf5uvacodbqeqadaa.f10002 00:00 No access 0bc3reaaoaaamqafbgjq5fuvbcoda6eqabya.f10002 00:00 No access 0bc3reaaoaaamqafbgjq5fuvbcoda6eqabya.f10002 00:00 昏暗的Live House舞台，紫红色追光灯交错扫射，并排站立的 独立乐队成员，主唱双手握紧麦克风深情领唱，键盘手和吉他手轻声和声。主唱，磁性中音男声深情唱出："We're standing on the edge of something new..."，成员们温柔和声"Ooh Something new "，镜头从舞台侧面缓缓横移，穿过烟雾，捕捉每个人沉浸投入的表情和微妙的肢体律动。 No access 0bc3smaoqaaaeqal6czqtvuvbe6d5cjqb2aa.f10002 00:00 No access 0bc3smaoqaaaeqal6czqtvuvbe6d5cjqb2aa.f10002 00:00 我们特意主要测试了合唱的场景，多个歌手的声部能够形成协调的和声效果，更重要的是，画面中不同歌手的口型能够与各自的声部基本同步。 从摇滚到爵士，从民谣到电子，可灵2.6都能抓住各个风格的核心特征。正如文章开篇部分的一个摇滚案例，它会生成失真的电吉他音色、密集的鼓点，歌手的肢体语言也会相应地更加激烈——仰头嘶吼、紧握麦克风、身体随节奏摇摆。在民谣或抒情场景中，音乐会变得柔和舒缓，歌手的表情也会更加内敛深情。 而音画同出的意义，就在于声音的情绪可以延展到视觉。 一旦这个功能成熟，会大幅提升制作音乐MV的效率 。懂得都懂，现在AI对口型和寻找情绪表达的成本还是太高了。 再说一下配器：可灵2.6惊喜的能生成多层次的配器结构，包括主旋律人声、和声、节奏组和氛围填充。这非常重要，配器的复杂性往往是衡量音乐性的重要标准，说明可灵至少有潜力在音乐生成上进一步深挖。 作为主打音画同出的功能，长期去实现音乐生成或许是重要的目标之一。所以这次我们也尝试简单做了开头那首说唱。接下来说说如何借助目前的可灵2.6来生成较长的说唱作品。 如何用可灵2.6制作完整说唱 今天发片子之后很多朋友在问是怎么做的，显而易见，我是把很多可灵2.6生成的说唱片段剪到了一起，这件事的核心难点很清楚： 如何让很多10秒的说唱片段融合时自然流畅 。 首先如果你想尝试下面的工作流，我在这里推荐说唱风格。因为在流行、摇滚这种旋律变化很强的曲风下，我们实现连贯拼接的难度是很大的，而大家喜闻乐见的说唱反而更容易做到。 整个流程一共三步，要声明一下：下面的教程会涉及一些基本乐理知识和剪辑操作，不是复制粘贴提示词就能实现的，所以仅推荐愿意折腾的朋友看一下。 基本提示词 结构如下，我会一点一点讲： 猪八戒一边扭着屁股跳街舞，一边表演说唱音乐。搞笑的沙哑低音声线，配合歌词：“哟，哟，伤情最是晚凉天，憔悴厮人不堪言，吆酒催肠三杯醉，寻香惊梦五更寒”，强烈节奏的摇滚乐+电子乐伴曲，电吉他solo，电子鼓点，100BPM。 第1步：锁定BPM 所谓BPM，就是 Beats Per Minute（每分钟节拍数） ，它决定了一首歌曲的基本节拍。也就是说，这是保证多段视频能连贯的重要前提。 有趣的是，大部分AI音乐模型在BPM的支持上只能做到接近但不精确，可灵2.6却大概率（肯定也有失败的时候）能实现较好的锁定，这为多段融合提供了更有利的前提。比如：我们可以在所有的片段中都加入“BPM 120”这样的参数。 这样生成出来的每个片段，在说唱节奏上都是趋于一致的。 第2步：锁定配器，切割歌词，生成片段 为了让每一段的链接不要有割裂感，我们需要通过提示词统一配器。比如我选择的是电子鼓点+电吉他的简单伴奏。这样的好处是去掉不必要的干扰，缺点嘛，要牺牲一部分配器的层次感，也少了惊喜，所以如果你对音乐剪辑很有自信，这一步可以适当放宽。 然后就是要把歌词切成若干段，每一段都是10秒的片段。注意在这里要严格限制字数，否则就会太快或者太慢。 用我自己的片段举例，在BPM100的情况下，这样的歌词量比较合适： 然后就是生成，需要点耐心，如果效果不理想，适当调整歌词的长短。 成功的 重要标准 ：每一段中都有明显的、节奏相近的电子鼓点，大家可以自己听一下，感受到明显的鼓点就可以了。 第3步：剪辑+复用Beat（可选） 接下来需要借助常见的剪辑工具，把每一段连接起来。 注意，连接时不是简单的收尾拼接，每一段之间的连接点要正好让鼓点的标志性重音重合。一般在波形上明显上升的部分就是这个节奏点。 如下图，我是把视频和音频分开处理，每一段之间是部分“重合”关系，而不是“拼接”关系 下面这一步不是必选项，为了更精准地确保节拍的一致性，我们可以采用一个进阶技巧：把第一个片段的beat剥离出来，复用到后面的其他片段中。 其实在大部分剪辑工具中就能完成操作，具体是这样的： 1. 在把前面的工作做好之后，首先是“分离音频”，然后把人声和伴奏再次分离。这时我们把所有的动画和人生轨道都锁定，单独处理第一段的beat。 2. 分析这段音乐的节奏模式，找到一个完整的循环单元（通常是4拍或8拍）， 最关键的是对上节奏点（见上图的示意） 。 3. 将这个循环单元作为节奏模板，调整后续片段时，让每一段的“人声”和“节奏”能对应起来。 对没有剪辑经验的朋友来说可能有点复杂，但实际上并不难。如果你感兴趣，试几次就能找到规律。 这样做的好处是，你不仅能保证BPM数值上的一致，还能确保具体的鼓点、贝斯线等节奏元素在不同片段之间是连贯的。观众听起来，就会觉得这是一个完整的作品，而不是几个拼凑的片段。 通过这样的流程，就能用可灵2.6创作出一个相对完整、节奏连贯的短片了。 不足与总结 说到缺憾，我觉得有以下几点： • 首先，业界老大难问题：多人同时念台词的时候出现小错误（用Veo的时候这个点会把我逼疯）。其实可灵2.6在多人发音上已经很靠谱了，至少台词都很准确，但有几率会把读台词的角色搞错，这个时候就需要一定程度的开盒了，在测试中，只要有点耐心一般都能解决。 • 另外就是，不能支持上传音频和固定声线，估计在规划中吧，长远来说这个功能肯定是会有的。 • 关于音乐MV方面，我在文章中给出的方法只是一种过渡方案，更可靠的解决方案大概是支持长音频驱动多图（机位切换的逻辑）。如果真能实现，AI MV的工作流大概会有大变化。 新工作流的可能性 对于今天在发布创意片之后，好几位朋友都单独找我聊天，怎么看可灵2.6的音画同出。大家也都提到一个问题：音画同出和数字人lip sync，哪个范式更有效。 我没办法预测未来，但就目前模型侧呈现的效果，音画同出的口型与表演明显比数字人的lip sync要自然很多，牺牲的其实是一定的灵活性。 音画同出本质是一个多模态的特性，因此这绝不是一个“小功能”，和Veo2诞生时的文生视频一样，只要是能压缩核心工作流的技术，都是大事。在这次创意片的制作过程中， 团队的同学几乎都在反馈：音画同出带来的效率提升很明显。 至于目前可灵2.6还存在的一些缺憾，我觉得用发展的眼光看问题吧，毕竟所有互联网产品本质上都是一种迭代的过程，以目前视频模型“卷”的速度，很多功能我们应该不用等太久。 总而言之，可灵系模型长期积累的美学优势，在这次2.6版本的升级中得到了很好的体现，再加上中文语音支持很到位， 可灵2.6应该是目前中文创作者音画同出工作流的首选。 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ 🔗 原文链接： https://mp.weixin.qq.com/s/69dFEY7v... https://mp.weixin.qq.com/s/69dFEY7v... 原创 汗青 AI Talk 汗青 AITalk2025年12月4日 17:30 安徽 可灵发2.6模型了，重点是音画同出，先看成片： 需要说明的是：这一整段“群口说唱+京剧”的短片中，全部音频+视频均由可灵2.6模型生成，没有借助任何其他的音乐模型（对，就是你心里想的那个）。 节奏连贯，beat统一，人物口型和歌词高度同步：可灵2.6完全具备生成1分钟左右完整音乐作品的能力。 但在一次生成10秒片段的情况下，怎么做到输出一分钟的音乐连贯性？需要一点人工处理，本文 后半部分会有详细教程 。我们还是先说说可灵2.6本身的音画能力。 对2025年的AI视频模型来说，"音画同出"是大家反复提到的概念。从早些时候的Veo3，到前一段风靡的Sora2，一次搞定画面+声音是个很爽的事。 而可灵2.6带来的测试感受是：这是目前 在影像质量、中文语音与口型方面天花板级别的音画同出模型。 细说。 看家本领：顶级画质+语义遵循 先感受一下直出的10秒音画同出clip： 镜头慢慢拉近女人的面部特写，女人露出近乎崩溃的表情，用近乎沙哑的声音，用尽全力歇斯底里的哭腔嘶吼说道：“为什么啊！你告诉我为什么啊，为什么可灵这么好用啊。。。。为什么。。。为什么！！！！！”用手捂住脸，背景里是刺耳的风 电影环绕运镜：柔和的焦段变化。女人闭着眼睛深情缓慢的说：“天亮...你就走了，对吗？”转过身抱住男人穿黑西服的胳膊。然后右侧的男人说：“有时我想，如果我根本没来过，也就不用走了”。 直观的感受其实比我啰嗦说一大堆形容词要有力的多。 理智分析一下：在音画同出的模型领域，把 工业效果和情绪表演拉到这个水准，还配合极高中文语音质量，可灵2.6应该是第一个做到的。 而作为音画同出模型，Veo3和Sora2对很多朋友肯定不陌生：天马行空的想象力，长文本的理解能力，出色的剪辑。而它们的受众也非常明确：广义用户的Meme段视频（通常在10秒以内），以二创、搞笑、非商业为主。有几个明显的特点： 1. 影像精度一般（分辨率和影像质量是两件事）。 2. 稳定性和精控性不够，经常有小错误。 3. 中文语音质量一般（可以理解） 这两个模型“玩”的属性还是更强一些，这 并非贬义 ，因为玩具是个很伟大的事儿。但你指望用他们做有严格要求的视频创作（尤其是商业交付的AI广告、AI短剧、AI电影）？ 祝你好运。 并非拉踩，Veo和Sora作为顶级模型，有自己清晰的特性重点和受众。 而可灵2.6绝对优势就是：它的影像质量继承于可灵 2.5Turbo 这个T0级的图生视频型，可以理解为它具有2.5Turbo的全部优点，再加持出色的中文语音和口型能力。更适合商业交付的精确要求。 光看截图就能感受到：美学、语义遵循、氛围渲染、节奏调度、运镜、人物演出都维持了可灵系模型的一贯优点。这方面不用我赘述了，大家对可灵都不陌生。 只能说，图生视频依然在控制力和质量上有很大优势。然后我们看一下这次可灵2.6在音画同出的情绪表演上的完成度。请看下一段： 【场景】 昏暗的摇滚酒吧，舞台上烟雾缭绕，聚光灯打在麦克风架上，观众剪影晃动。【主体】 摇滚歌手紧握麦克风架，手臂纹身清晰可见，激情演唱。【音频】电吉他，失真音色，强烈的前奏riff响起，密集的鼓点轰鸣。摇滚歌手，嘶吼男声，唱道："Break these chains! Set me free! I won't fall again!"背景叠加bass低音和观众的掌声、跺脚声。【运镜】 镜头从观众视角推进舞台，穿过烟雾聚焦歌手脸部；快速切换至侧面低角度仰拍，捕捉歌手仰头嘶吼的瞬间；镜头摇至手部特写，紧握麦克风的青筋；最后拉远至全景，展现整个酒吧氛围和观众的狂热。 No access 0bc3yqaiiaaasuakb2rpjfuvbrgdqtcabbaa.f10002 00:00 No access 0bc3yqaiiaaasuakb2rpjfuvbrgdqtcabbaa.f10002 00:00 如此表演张力的音画同步，如果用传统工作流：图生视频—生成音频—数字人换嘴，是很难达到这个表现力的。 音画同出这个功能如果做不好，就是很鸡肋的特性（和没有差不多）。而一旦迈过质量的临界点，就是可大幅提高生产效率的特性。 比如我们这次为可灵做的宣传片，速度远超以往，原因就是实现了工作流的压缩（大白话讲就是你不用折腾对口型了）。 当然，目前还不能支持上传音频，或者固定角色声线，这有点遗憾。不过我觉得都是时间问题。 借助 2.5Turbo 天花板级别的图生视频能力，这次2.6的音画表现非常非常实用。 更何况像说话同时的大幅运镜，通过数字人口型能力目前几乎是做不到的。可灵2.6对运镜的支持很好（因为本质就是 2.5Turbo 嘛），推拉摇移，环绕运动，都能较好地完成。口型适配非常自然，有合理的预期和情绪，并非那种机械输出。 提示词： 片段1：镜头围绕人物向右旋转360度运镜，运镜的同时，人物在说台词“王座的铁锈里藏着万千枯骨，凛冬的寒风中唯有忠诚不灭。” 片段2：镜头快速拉出，展示人物全身造型，拉出镜头的过程中，人物在说台词“王座的铁锈里藏着万千枯骨，凛冬的寒风中唯有忠诚不灭。” No access 0bc3neaiwaaaziacfjzpi5uva2odrnuqbcya.f10002 00:00 No access 0bc3neaiwaaaziacfjzpi5uva2odrnuqbcya.f10002 00:00 我觉得只要可灵进一步完善角色声线一致性的问题，我们就可以实现很丰富的人物表演同步运镜的效果了。 在测试中，即便是激进的运镜要求，可灵2.6也能保持画面的稳定性和流畅度，没有出现明显的撕裂或变形。比如上面这个镜头的流畅度，整个运动过程中画面始终保持稳定。 再比如我们创意片中，人物随剧烈镜头变化表现出的极高稳定性与口性匹配度，令人印象深刻。 说完画面，说说声音这部分。 极佳的语言音频表现 可灵 2.5Turbo 也是能输出声音的，但更多是音效。并不支持台词级的对话。 所以可灵2.6的重大意义是，可以直接生成人物对白、音乐、音效。并且准确度相当之高，只要控制好台词长度（别超过10秒的生成客观长度限制），很少出现错别字的发音。 我们先看看英文的表现： 提示词： 片段1英文独白：一个好莱坞黑帮电影的片段，男人一边抚摸猫咪一边在用英语说台词“A man who doesn't spend time with his family can never be a real man.” 片段2中文独白：一个好莱坞黑帮电影的片段，男人一边抚摸猫咪一边在说台词“一个不花时间陪家人的人，永远不能成为真正的男人。” 提示词： 【场景】 繁华街道，人群穿梭。【主体】 [街头记者] 采访路人。【音频】[记者，成熟男声] 问："Excuse me, what do you think about the new policy this year?"[路人，年轻女声] 回答："Honestly, I think it's a step in the right direction. The tax relief for small businesses is really helping people like my friends who just started their own café!"。 说实话效果挺绝的。虽然这种对话在Veo和Sora系列模型中也能实现，但大家特点还是挺分明的，可灵主要还是在音与画的同步高质量上表现出色。 而来到中文领域，这个优势就更被放大了。毕竟是咱们自己的模型嘛，中文的优化明显更到位。 提示词： 咖啡厅室内，阳光透过左侧窗户洒进。画面左侧穿红色毛衣的女孩坐在沙发上看书，温柔的问"要加糖吗？"画面右侧男孩轻松说： "不用，我喝苦的就好。" 咖啡倒入声，液体流动 镜头从左向右平移，先拍摄女孩，经过中央植物，最后聚焦男孩倒咖啡的动作，咖啡杯是透明玻璃的。 两个演员的中文配音和口型，甚至是一问一答中间的间隔都很帮，有种文艺电影的调调。而最后咖啡入杯的音效也相当完美。 接着上难度，多人快速语速对话： A是画面左侧演员，B是画面右侧演员。A说："今儿给大伙儿说段相声！"。然后B说："我这人特有文化！"。然后A说：“道可道、非常道的下一句是啥？"。然后B说："此路是我开、此树是我栽！"。然后A说： "你这是抢劫！"观众，爆笑声和掌声。 不过需要说明的是，口型同步并非百分百完美。在我们的测试中，会出现语音口型没有匹配角色的情况，尤其是在一些快速对白、复杂音节或多角色同时说话的场景中，如果你对口型同步有极高的要求，在生成时可能需要多跑几次，选择匹配度更好的结果。 音乐能力初见端倪 是的，可灵2.6提供了音乐生成的能力。 虽然它在音乐创作的复杂度上还无法和Suno这样的专业音乐生成工具相比，但它作为一个视频模型，在音乐风格理解、演唱形式支持，以及音画情绪协调上的表现，说实话已经超出了我的预期。 可灵2.6能够准确理解并呈现不同的演唱形式。在独唱场景中，模型会根据音乐类型自动调整人声表现——摇滚场景下是力量感十足的嘶吼，爵士场景中则是慵懒而富有磁性的演绎。 直接看以下片段： Live House舞台近景，温暖的暖黄色灯光柔和照亮面部，轻薄烟雾弥漫在背景。并排站立的三位中国歌手合唱，温柔的民谣风格和声： "那些走过的路啊，都开成了花，oh " 间奏收尾。【运镜】镜头从舞台一侧缓缓推进。