可灵AI文生视频无法实现人物自动开口说话，因其不生成音频、不解析语音时序、无台词时间轴编排能力；所有“说话”效果均需导出后用剪映等工具手动配音并智能对口型实现。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
可灵AI文生视频本身不支持直接指定某个人物“先说话”，因为它的文生视频功能目前不生成音频、不解析语音时序、也不具备多角色台词时间轴编排能力；所有“说话”效果必须通过后期添加配音+对口型实现。
为什么文生视频里没人能开口说话
可灵当前所有文生视频输出均为无声画面，模型未接入TTS语音合成模块，也未开放台词时间戳输入接口。即使提示词中写“张三张嘴说话，李四随后点头”，系统只会渲染张嘴动作或模糊口型，无法控制谁在第几秒开口、谁接话、语速快慢——这些全部缺失。
这一步不能跳过：你看到的所谓“会说话”的可灵视频，100%是用户导出后用剪映、CapCut等工具手动配了音，再用“智能对口型”功能逐帧匹配出来的。
用首尾帧+对口型实现“张三先说、李四后说”
方法一：分镜拆解法（推荐）
① 先用即梦或通义万相生成两张独立图：第一张是“张三正面开口说话姿态”，第二张是“李四侧身倾听并微微张嘴”；
② 在可灵【首尾帧生视频】中，分别上传这两张图，提示词写：“张三说完后李四开始回应，自然过渡，无跳跃感”；
③ 生成10秒视频后导出，导入剪映 → 点击“文本成片”输入张三台词 → 生成配音 → 拖入轨道 → 选中视频片段 → 点击“智能对口型”→ 等待自动匹配；
④ 再插入李四台词配音轨道，起始时间设为张三说完后0.3秒，同样执行对口型；【必须确保两张首尾图中人物唇部朝向、光照角度一致，否则对口型错位明显】。
用动作控制+配音时间轴硬控说话顺序
如果你已有张三说话的参考视频（比如自己录的10秒讲话片段），可用动作控制模式绑定到张三形象上：
上传张三静态图 + 他本人说话视频 → 生成纯动作视频（无声）；
导出后，在剪映中把该视频放在主轨道，再新建音频轨道，把张三台词按真实语速拖入，起点对齐视频开头；
接着把李四的静态图+另一段他说话的参考视频，同样走动作控制流程，生成第二个10秒动作视频；
将第二个视频剪辑成3秒片段，起始时间设为张三台词结束后的第1帧，覆盖在主轨道对应位置；
最后统一加字幕、调色、导出。
