LiblibAI 2.0「音画协同生成」可基于解说音频自动匹配高同步度画面。上传≤90秒清晰语音后，系统ASR转写并语义分段，支持手动调整边界与关键词；提供模板直选（文物摄影/手绘线稿/3D微距）或全局模型锁定（如Star-3 Alpha）以统一风格；批量生成后依匹配度筛选优化，最终合成带运动补偿的MP4。
☞☞☞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☜☜☜
当你需要为已有解说音频匹配画面，又不想逐帧手绘或反复调试图生视频参数时，LiblibAI 2.0 的「音画协同生成」流程可直接基于语音节奏与语义生成高同步度画面片段。
准备解说音频并提取关键信息
将已录制好的MP3/WAV格式解说音频（时长建议≤90秒）上传至LiblibAI 2.0首页右上角「+新建」→「音画生成」入口。系统自动调用内置ASR引擎转写文本，【必须确保音频无背景音乐、人声清晰、语速适中】，否则转写错漏会导致画面偏离重点。
转写完成后，界面右侧会高亮显示时间轴上的语义分段（如“第一幕：青铜器纹样起源”“第二幕：失蜡法铸造过程”），每段默认截取3–5秒。你可以手动拖动分段边界，或点击段落旁的铅笔图标修改关键词——比如把“铸造过程”改为“高温熔铜→模具灌注→冷却脱模”，越具动作链描述，后续画面结构越准确。
为每段语音匹配画面风格与模型
方法一：模板直选
在分段列表下方点击「推荐风格」，系统根据文本关键词自动推送三类选项：“文物摄影纪实”“手绘线稿解析”“3D微距拆解”。选中后，对应模型（如Z-Image文物增强版、Seedream 4.5线稿专精、NanoBanana Pro超清微距）即刻加载，无需手动切换。
Qwen 视频智能分析基础客户端（免费版），基于 Qwen 3.5 Plus 多模态模型对本地视频进行内容分析，支持场景描述与基础内容理解，采用默认抽帧频率和提示词，适合快速概览视频，API Key 读取自 ~/.skill-platform/skill-platform.json 的 skills 配置。
方法二：模型自定义
若需统一全片视觉语言，点击顶部「全局模型锁定」，从下拉菜单中选定Star-3 Alpha或Qwen-Image，并勾选「保持材质一致性」。该选项强制AI在不同语音段间复用同一套纹理权重，避免青铜器在第一段是哑光氧化铜、第二段突然变成镜面不锈钢。
生成并优化画面序列
第一步：点击「批量生成画面」，系统按时间轴顺序启动异步渲染，每段生成3张候选图，耗时约12–18秒/段。
第二步：在结果页横向滑动查看各段候选图，鼠标悬停任一缩略图时，左上角实时显示该图与原始语音片段的语义匹配度（百分比）及动作连贯性评分；
第三步：对匹配度＜82%的段落，点击缩略图下方「重绘此段」→ 在弹出框中补充约束词，例如原句是“饕餮纹双眼凸起”，重绘时追加“双眼为浮雕凸起、铜绿锈迹自然分布、无现代光源高光”；
第四步：全部确认后，点击「合成时间轴」，系统自动按语音时间戳对齐画面帧，导出MP4时默认启用“帧间运动补偿”，防止相邻画面切换生硬跳变。
这一步操作起来很简单，直接把文件拖进去就行。但注意：导出前务必检查时间轴上是否有红色警示三角——它表示某段画面未对齐语音起始点，需返回该段重新生成。
