想把旁白卡在某个镜头上，第一反应通常是去找「时长」输入框——但语音生成的参数面板里并没有这一项。长短只能靠语速和字数去逼近。本文先讲清能力边界，再给出「一句一段生成 → 读时长 → 换语速比对 → 按镜头拆分 → 画布合成」的完整做法。

一、先说清楚能做到哪一步

• 配音这边能调的：语速、文案字数、按镜头拆成多段分别生成、逐段查看音频总时长、把每段音频下载到本地。
• 配音这边没有的：目标秒数输入项。语音生成的参数面板里找不到「我要几秒」这样的填写位，只能靠语速和字数去逼近，具体可调项以你所在页面的参数面板实际显示为准。
• 想把配音落到画面上：不必另外去找剪辑软件。左侧【智能体】里的【无限画布】提供【合成】节点，把画面和配音一起连上去就会替换音轨；多个镜头时还能一次合并并替换音轨。可用模式以节点面板的实际显示为准。
• 只想把几段配音接成一条纯音频文件：这种用法目前在音频专区和画布节点里都没有看到对应入口（【合成】节点要有视频接进来才会出片），一般需要下载后用音频剪辑软件处理，具体以你所在页面与节点面板的实际显示为准。

知道这条边界，就不用在参数面板里反复找「时长」选项了。

二、操作步骤

1. 一次只放一句话，先把语速定下来

进入左侧【音频】分类，在模型列表里选择对应的语音模型，点【选择音色】挑一个适合旁白的音色。输入框里先只放要配的这一句，不要把整段稿子贴进去。底部的【语速】默认是 1.0x，往下调会变慢、音频变长，往上调会变快、音频变短，可选档位以界面显示为准：

2. 生成后打开播放器，读出这一段的总时长

生成完成后，结果卡片上通常不会直接标出秒数。点卡片中间的【点击播放】打开播放器，播放条上会显示「当前时间 / 总时长」，后面那个数字就是这段配音的实际长度。拿它跟你的镜头长度一比，就知道是长了还是短了。同一个弹窗右上角有【下载音频】，可以把这段存到本地：

3. 对不上就换个语速再出一条，两条摆一起挑

不必推倒重来。把语速改一档，用同一段文字再生成一条，结果列表里两条会前后排着，卡片上分别标着各自的语速，试听后留下更贴的那条。以一句二十多字的旁白为例，同一段文字在 1.0x 下约 6 秒、换到 1.5x 后约 4 秒；不同音色、不同文本之间的差异会比较大，这个数字只能当粗略参考，请以你自己生成出来的结果为准：

4. 整段旁白：按镜头拆开，逐句去对

整段稿子一次性生成，出来就是一整条，事后很难跟分镜对上。建议在写文案时就按镜头断开，一个镜头一行，把这个镜头的画面秒数标在行首。输入框右下角的【全屏编辑提示词】里会显示当前字数，同一个音色下字数越多、读出来通常越长，可以先拿一句短的试出「大概多少字对多少秒」的手感，再照这个感觉去增删文字：

5. 把配音合到画面上：用【无限画布】的【合成】节点

配音都对好之后，不必另外去找剪辑软件。在左侧【智能体】里打开【无限画布】，添加一个【合成】节点，然后把素材连上去：

• 画面可以来自画布里的【视频生成】节点，也可以用【视频输入】节点把已有视频传进来；
• 配音可以来自画布里的【音频生成】节点。如果这段配音是先前在【音频】专区做好的，目前需要按第 2 步先下载到本地，再传进画布——既可以加一个【音频输入】节点上传，也可以直接用【合成】节点自带的音频位上传；音频位上还有【从资产库选择】入口，能否在里面直接选到你要的这段配音，以你界面上实际显示的内容为准。

连好之后，【合成】节点会自己认出当前是哪种模式并显示在节点上：接一段画面加一段音频时显示「视频 + 音频 → 替换音轨」，接多段画面加一段音频时显示「多视频 + 音频 → 合并并替换音轨」。节点上还有【输出尺寸】可选，想保留原始画面尺寸就选「保持原尺寸」。运行后在节点上预览成片，满意就直接下载。节点没连素材时会显示「等待合成素材」，并提示「连接一个或多个视频即可运行；连接音频时会替换音轨」，照这句提示连线就行。可用模式与参数以节点面板的实际显示为准。

音轨替换与多镜头合并的更多用法可查阅 几段视频能不能在站内拼成一条？无限画布【合成】节点和长视频智能体怎么用。

三、几个省时间的小习惯

• 改字数往往比改语速更自然：语速拉得太快或太慢，听感会跟着变。只差一两秒时，优先在文案上补一个短句或删掉几个字，多数情况下比硬拉语速更耐听。
• 句尾留整句标点：每段结尾尽量断在句号、问号这类标点上，段与段拼起来的停顿会顺一些。
• 同一条片子里参数保持一致：同一个旁白或同一个角色，音色和语速前后尽量沿用同一套，拼接后才不会忽快忽慢。
• 合成前先确认每段都出好了结果：画布里前面那几个节点还没跑出东西就点运行，容易白等一轮。

四、在 灵境 AI Model Hub（cloud-token.ai）上实践

灵境 AI Model Hub 是一个聚合 500+ 前沿大模型 的一站式 AI 平台，提供多模型对话、AI 写作与图像 / 视频 / 音乐生成，统一 OpenAI 兼容 API，支持免费试用。

• 一句一段先试手感：先用短句试出「多少字对多少秒」，再按镜头拆文案，避免整段返工；
• 两档语速摆着挑：同一句出两条不同语速，比反复推倒重来省时间；
• 差一两秒改文案：优先增删几个字，听感比硬拉语速自然。

👉 立即免费体验 500+ 前沿大模型：灵境 AI Model Hub ｜ cloud-token.ai 或 cloud-ai.link

五、常见疑问（FAQ）

Q：能不能直接填「我要 8 秒」，让系统按这个时长生成？ A：语音生成的参数面板里目前没有这样的输入项，面板里提供的是音色、语速、情感、音频格式这类选项，具体可调项以你所选模型的界面为准。想卡住秒数，只能靠「改语速 + 改字数 + 分段生成」这三样去逼近。

Q：配音比画面长了一截，除了改配音还有别的办法吗？ A：有，反过来改画面。站内不少视频模型在生成表单里提供【视频时长】选项，可以按秒选择这一条要出多长；配音已经满意的话，生成画面时把镜头时长选得接近配音长度即可，可选档位以该模型界面显示为准。配音已经定稿的情况下，也可以直接在【无限画布】里用【合成】节点给这段画面替换音轨。已有的成片素材，还可以下载后在剪辑软件里裁剪或调整画面节奏。

Q：多段配音怎么跟画面合到一起？站内能做吗？ A：要合到画面上，站内可以做：在左侧【智能体】里打开【无限画布】，添加【合成】节点，把画面（【视频生成】或【视频输入】节点）和配音（【音频生成】或【音频输入】节点）都连到它上面。连一段画面加一段音频时，节点会显示「视频 + 音频 → 替换音轨」；把多个镜头一起连上去，则显示「多视频 + 音频 → 合并并替换音轨」，运行后得到一条已经带上你这段配音的成片，可以直接在节点上预览和下载，可用模式以节点面板的实际显示为准。如果只是想把几段配音接成一条纯音频文件（不带画面），目前在音频专区和画布节点里都没有看到对应入口——【合成】节点要有视频接进来才会出片，这种情况把每段音频下载到本地，用常见的音频剪辑软件按顺序拼接即可，具体以你所在页面与节点面板的实际显示为准。分段的好处是某一段不满意时只用重做那一段，不必整条重来。

Q：一段配音大概多少字对应多少秒？ A：没有固定换算比例，音色、语速与文本本身的差异都很大。可行做法是先拿一句短的在同一音色下试一次，在播放器里读出它的总时长，算出「字数 ÷ 秒数」的手感，再照这个比例去增删文字。参考量级：一句二十多字的旁白在 1.0x 下大约 6 秒、1.5x 下大约 4 秒。

在 灵境 AI Model Hub ｜ cloud-token.ai 或 cloud-ai.link 上，旁白按镜头分段生成、逐段对时长，再用【合成】节点替换音轨，配音与画面对得齐。

基础配音流程可查阅 一段文字怎么变成语音？配音的完整流程和下载；判断哪些视频模型自带声音可查阅 生成出来的视频没有声音？站内视频带不带声音、怎么配上音。

参考来源

配音总跟画面对不上？怎么控制配音长短、把配音合到视频上