一次生成就有聲音：Grok Imagine 1.5 的對白、對嘴和環境音

大多數 AI 影片模型生成的是無聲片段。你把影片輸出、拉進 DAW 或另一個音訊工具，從不同的服務商找對白、環境音和音樂，把每一層對齊，然後祈禱它們不會跑掉。Grok Imagine 1.5 把這條產線拿掉了：音訊——對白、對嘴、音效和環境層——是跟影片影格在同一次推論裡生成的。結果是一段拿到手就已經像它自己在響的片子。這份指南說明原生音訊的機制怎麼運作、1.5 相對 1.0 進步在哪，還有怎麼把聲音寫進提示詞，讓模型真的照著做。

原生音訊生成怎麼運作#

傳統的 AI 影片模型把聲音當成後處理步驟。先生成影片 token；再讓一個音訊模型跑過結果，試著去對上已經算好的畫面。因為這兩趟是各自獨立的，時間對不上是家常便飯——一扇早了一格關上的門、在錯的拍點換氣的對白、不會跟著場景變化的環境層。

Grok Imagine 1.5 在單一次推論裡把影片和音訊 token 一起生成。模型在決定要發出什麼聲音、什麼時候發出來的時候，看得到完整的場景脈絡——構圖、角色動作、光線情緒。嘴唇的動作是跟音訊波形一起塑形的，而不是事後套上去的。環境層回應的是模型正在建的那個視覺環境，不是一格必須回溯去解讀的輸出畫面。

從 1.0 到 1.5 改了什麼#

Grok Imagine 1.0 也有原生音訊，但結果有兩個一貫的問題。對白的時間點很機械：角色用節拍器般的速度講話，沒有自然的停頓、沒有語尾上揚，也沒有句子層級的抑揚。環境層很平：熱鬧街頭的場景不管視覺密度、天氣或時段是什麼，都得到一樣的罐頭人群噪音。

Grok Imagine 1.5 兩個都處理了。對白的演繹現在會尊重句子的節奏——短的想法很快落地、情緒時刻稍微慢下來、問句結尾聽得出上揚。環境層變得會回應場景：一個下著大雨的夜市，聽起來跟一個乾燥的正午市場不一樣，因為模型讀得到它自己正在生成的視覺線索，並據此調整音訊的混音。

競技場排名反映了這個進步：Grok Imagine 1.5 相對 1.0 拿到 +52 Elo，在圖生影片競技場排到第 1 名，在盲測裡領先 Seedance 2.0、HappyHorse 1.0 和 Google Veo。Aurora 引擎是依序處理影格的，而這正是讓動態連貫到「音訊那一趟能產出有用的同步」的原因。

怎麼把聲音寫進提示詞#

在自然語言提示詞裡指導聲音，有幾個一貫的寫法。模型把音訊線索當成場景描述的一部分，而不是一個獨立的指令區塊——所以你要把聲音嵌在攝影指示旁邊，不是放在它後面。

把對白台詞和演繹方式寫出來#

不要假設模型會自己編出對的台詞。把台詞明確寫出來，後面接一句演繹說明。

好用的演繹說明：warm、urgent、flat and tired、slightly breathless、quiet but firm。通常一個形容詞就夠了。兩個以上就開始互相打架。

把環境層明確指出來#

當你不指定環境音，模型會挑一個很罐頭的。把每一層點名——包括相對音量——就給了它一個可以瞄準的目標。

當你希望這個場景只靠音效和空間聲響撐起來時，no music 這句話很有用。少了它，模型可能會自己加一段輕音樂。

描述節奏和停頓#

停頓也是音訊事件。如果一個角色在回答之前遲疑了一下，或是你需要在一個音效落下之前留兩拍安靜，就要講出來。

決定要讓它自動配樂還是限制它#

如果你完全沒提音樂，Grok Imagine 1.5 可能會替片段自動配上一段情緒相符的樂句——情感場景配輕柔的弦樂、動作場景配有推進感的節奏。這對快速的社群草稿很好用。要做精準的東西時——你想要安靜、想要特定曲風，或想要一個落在剪點上的拍點——就明確限制它：把曲風、速度感講出來，或是寫 no background music 把它關掉。

三個完整場景#

這些範例示範完整的提示詞寫法怎麼實際運作。每一個都包含視覺設定、音訊指示，還有原生音訊那一趟會產出什麼。

場景 1：帶對嘴的對白特寫#

需求：一個角色對著鏡頭講一句台詞。這顆鏡頭需要乾淨的對嘴和自然的演繹，而不是另外找來的旁白音軌。

會發生什麼：模型在同一趟裡生成對白音訊和嘴部動作。句中的那個停頓同時塑形了音訊波形和看得見的嘴唇動作。冰箱的低頻嗡聲以低音量墊在對白底下，不會跟它搶。

可以調的槓桿：如果演繹太平，在演繹說明裡加 emotional weight。如果嗡聲太搶，在它前面加 barely audible。

場景 2：有層次的環境音#

需求：一個下著大雨的夜市——沒有對白，純氛圍。音訊要有層次、要有實體存在感，而不是像單一個循環音檔。

會發生什麼：因為模型正在建這個視覺場景——雨棚、攤位、人群密度——它可以在音訊那一趟回應這些元素。畫面裡看得到的攤位炒鍋聲，通常會比空間上被放在更後面的環境人聲大。

可以調的槓桿：加 close-mic'd rain drops 讓質地更豐富。指定 a distant vendor calling out，就能在沒有正式對白的情況下加進一個敘事性的音訊元素。

場景 3：以音樂為主的節拍#

需求：一位舞者的動作必須跟上一種特定的節奏感——不是順便對上，而是作為整段片子的核心設計。

會發生什麼：模型會生成音樂，並把腳步撞擊當成音樂裡的節奏事件來處理。因為動態和音訊是一起生成的，每一次落地的視覺時間點對上拍子的機會，比兩趟式流程高得多。

可以調的槓桿：指定另一種曲風——minimal house、orchestral percussion、hip-hop at 90 BPM——來換掉那個感覺。如果乾的聲學聽起來太像實驗室，加 slight room reverb。

最佳做法整理#

在 OmniArt 要花多少點數#

原生音訊每秒不加價——點數費率跟任何一次 Grok Imagine 生成一樣。

一段 10 秒、720p 的對白場景要 150 點數。一段 12 秒、480p 的環境場景要 120 點數。如果你正在專門迭代音訊指示——調演繹說明或環境層描述——從 480p 開始，它便宜三分之一，只把你要留的那一條升上去。