可灵 AI 发布 可灵视频 2.6 版本，核心创新为首个「音画同出（Audio-Visual Co-generation）」模型。

和 Veo 3一样，模型能直接生成声音，不再依赖外部配音或后期合成。

包括：

• 中英双鱼多人物人物对白

• 环境音效（风声、脚步、碰撞声等）

• 情绪化声音（紧张、轻松、神秘等氛围）

这意味着：

你输入一句话，AI不仅能生成画面，还会自动“配音”、生成动作音效和环境声音。

从此，AI视频不再是“无声的画面”，而是“完整的视听体验”。

声音与画面天然同步，嘴型、节奏、气氛一致。

画面和音频是同一模型的一次推理过程完成的。

不分模块、不拼接，不会出现传统 AI 视频里的“嘴型不对、情绪不连贯”。

支持 5 秒 / 10 秒 ，1080P生成

角色能做到：

• 更自然的开口说话

• 情绪与声音一致

• 表情更贴合台词内容

场景氛围音不再需要找素材库。

系统可自动给画面匹配：

• 雨声、海浪、风声

• 脚步声、门响、摩擦声

• 爆炸声、机械声等场景音效

Video 2.6 在动作、镜头衔接、故事节奏上比前一代更稳定：

• 场景切换更自然

• 角色在不同镜头中的一致性更强

• 动作不容易突然跳帧

模型亮点

1️⃣ 音画协同：声音与画面完全同步

传统AI视频常出现“嘴动不同步”“声音脱节”的问题。新版本通过深度语义对齐，让画面中的动作、语气、节奏、背景声自然对应。

例如：

• 说话的嘴型和语音完全对上；

• 动作和音效同步出现（如走路时有脚步声）；

• 环境声会根据场景变化自动调整。

看起来像真人拍摄的视频，而不是拼接出来的AI视频。

2️⃣ 声音质量更高：更干净、更真实

新模型能自动生成三类声音：

• 人声：对话、旁白、唱歌、说唱等；

• 动作音效：敲击、开门、脚步、物体移动；

• 环境声：风声、街道声、室内回响、自然声音。

特点：

• 音质清晰，没有底噪；

• 声音层次丰富，有空间感；

• 混音自然，无需后期调整。

听起来更像电影或纪录片级的声音效果。

3️⃣ 语义理解更强：AI更懂内容

新的模型不仅能“说”，更能理解你想表达的内容。

它能识别剧情、人物语气、场景氛围，让生成的声音和画面都更贴合语义。

AI目前能理解更复杂的文本和情境，列如：

• 能分辨谁在说话、语气如何；

• 能根据剧情内容生成合适的语音语调；

• 能判断环境，自动匹配背景声。

列如你输入：

“她轻声笑着说：我们又见面了。”AI会自动生成：

AI不只是“说话”，而是“理解并表演”。

创作流程升级

✏️ 文生音画（从文字生成完整视频）

输入一句描述，AI就能直接输出带声音的视频。

示例：

一个年轻的女性，穿着休闲，亚洲面孔，背景是温馨的客厅，坐在沙发上轻轻的说：“I have a secret, Kling 2.6 is coming.”

AI会生成：

• 画面中的人物与场景；

• 自然的语音；

• 匹配的环境声（列如室内回声、轻微呼吸声）。

不需要再配音、剪辑，一步出片。

️ 图生音画（让图片“说话”）

上传一张人物或场景图，AI可以让画面动起来并发出声音。

适合：

• 让静态人物开口说话；

• 做产品讲解视频；

• 生成访谈或短剧场景。

简单说：

“一张图 + 一段文字 = 一条有声视频。”

一个女人和一个男人在进行播客对谈，女人先说话，说完话后停止，男人继续说话。

女人说：”Why do you always work overtime until late at night？”，这时说话人切换，男人笑着回应说：”Because I make decisions during the day, and /'mresponsible for changing those decisions at night.”，两个人一起一边鼓掌一边大笑了起来。

可灵Video 2.6 提示词指南

在使用「视频 2.6 模型」时

您只需写出【您想看到的画面】+【发生了什么动作】+【您希望出现的声音】

即可生成高质量的音画直出视频。您可以参考下列公式：

重点教学：多角色对话 Prompt 范例

P1. 结构化命名

核心原则：角色标签必须唯一且始终如一。

写法示例：

[角色A: 黑衣特工]  
[角色B: 女助手]

❌ 错误做法：使用代词或同义词，如「他」「她」「特工」「那个人」等。

错误示例：

[特工] 说…… 随后，他又说……

（错误：模型可能无法区分说话者）

P2. 视觉锚定

核心原则：让每个角色的台词都与其动作绑定。

正确示例：

黑衣特工猛地拍了一下桌子。[黑衣特工, 愤怒地喊]：“真相在哪？”

错误示例：

[黑衣特工]：“真相在哪？”（模型不知道是谁拍桌子，缺乏动作线索）

P3. 音频细节

核心原则：为每个角色添加独特的音色与情绪标签。

正确示例：

[黑衣特工, 声音沙哑、低沉]：“别动。”[女助手, 声音清亮、带恐惧]：“我害怕。”

错误示例：

[男人] 说… [女人] 说…（音色描述太模糊，角色容易混淆）

P4. 时序控制

核心原则：用连接词明确控制对话顺序和节奏。

正确示例：

[黑衣特工]：“为什么？”紧接着，[女助手]：“由于时间到了。”

可选增强：

在两人间插入“此时镜头切换”、“气氛凝固”等节奏提示。

错误示例：

[黑衣特工]：“为什么？” [女助手]：“由于时间到了。”（模型可能误判为同一人连续发言）

常见音频描述关键词

（1）叙事类

• 关键词：讲述、旁白、平稳、缓慢、低沉、理性。

• 示例：

  一名男子低声独白，平静地回忆自己的过去。

（2）情绪表达类

• 关键词：愤怒、惊喜、悲伤、轻柔、激动、紧张、恐惧。

• 示例：

  她的声音微微颤抖，带着明显的恐惧感。

（3）语速与节奏类

• 关键词：快语速、慢语速、急促、拖音、节奏分明。

• 示例：

  他说话节奏加快，语气中透着一丝焦虑。

（4）环境声类

• 关键词：室内、街道、空旷、回响、风声、水声、人群声。

• 示例：

  背景传来轻微的回音，像在空旷的大厅里。

（5）音色特征

• 关键词：沙哑男声、清亮女声、少年音、机械音、电子音。

• 示例：

  一个温柔的女声在耳边轻声说话，声音带着细微的颤音。

（6）音乐风格类

• 关键词：古典、爵士、摇滚、电子、民谣、说唱。

• 示例：

  声音富有节奏感，带有轻微的Trap风格。

可灵Video 2.6模型价格

「视频2.6模型」提供“音画同出”与“纯视频生成”两种模式，价格依据视频时长与功能模块不同而有所差异。

会员价格：5秒片段：15点能量，10秒片段：30点能量

非会员价格：5秒：20点能量，10秒：40点能量

常见问题 FAQ

️ Q1：目前支持哪些语言的语音？

目前模型只支持中文和英文两种语音输出。如果你输入其他语言，列如法语、西班牙语之类的，系统会自动翻译成英文再生成语音，不会影响整体体验。

整在加速支持更多语言，列如日语、韩语、西语等，很快就会上线，敬请期待！

Q2：能只生成音频，不要视频吗？

当然可以！你可以去平台的 「音效生成」模块，按需求选择：

• 文生音效：输入文字描述，系统直接生成独立音频；

• 视频生音效：上传视频，自动提取或生成音效。

也就是说，不做视频也能单独搞定声音创作，适合做播客、配乐、旁白等内容。

Q3：怎么让生成效果更好？

如果你想让AI生成的内容更自然、更准确，可以注意下面几点

① 优化提示词

写得越清楚越好，别一次塞太多东西。明确场景、声音类型、风格等要点。

例如：

✅「夜晚的海边，轻风、海浪声，远处有轻柔的吉他」

❌「浪漫、夜晚、海边、音乐、人声、风声…」太杂，模型容易乱。

② 图文要匹配

如果你用图片做参考，别让图片和文字对不上。

列如你写“户外露营”，结果图是“办公室”，AI会被搞糊涂，生成内容就不对味。

③ 参数要合适

根据需求调整视频长度、画面比例、分辨率等，别直接用默认设置。

列如语音很短，但视频太长，会显得节奏拖沓。

④ 简化创作场景

每次生成别塞太多元素。列如别在一条Prompt里又加环境音、又加多人说话、又要背景音乐。聚焦一个主题，模型输出会更稳定、更好看。

加入XiaoHu.ai 日报社群 每天获取最新的AI信息

____________

End.

感 谢阅 读