人物、场景和声音，分别由什么决定？

三个常见搜索词，对应不同期待

AI video face swap 通常指替换已有场景中的人物外观。生成过程也可能改变衣服、光线或表情，不应期待每个像素完全保留，人物相似度也可能逐帧变化。

Photo to video 的范围更广：有些工具让原照片背景动起来，有些用人像参考生成另一段场景。本站的模板属于后一种，照片里的卧室或旅行背景不会自动成为舞台。

AI lip sync 是由音频驱动口型的另一项工作。填写歌词并不等于录制新歌，也不会让模板人物唱出这些文字；本站歌词入口保留为独立文本流程。

先选角色，再写配文

单人模板、双人模板、人与宠物模板需要不同的照片。双人场景为每个角色分别准备文件；不能通过向动物位置上传人像来改变模板角色类型。

以上传框的角色标签为准。示例中的服装和背景不需要照着拍，先保证脸部清楚、两个人物易于区分。

把音轨与积分一起核对

说唱表演模板可能保留已有音轨，标为无声的梗图场景需要另行配乐。相似的画面不代表相同的声音交付。

本站销售一次性积分包，具体场景另列扣分数。50 积分的 Starter 售价 $6.99，但并非每个模板都消耗相同积分，购买前请查看所选模板。

怎么开始比较合适

可以先比较 Hotel Lobby 场景与说唱录音棚场景，再使用人像照片检查表选择输入照片。

查看成片时兼顾正常速度和转头瞬间，检查脸部变化、双人裁切和嘴部动作。人物须为同意此次使用的成年人，并明确披露 AI 生成。是否接受任务以生成器实时状态为准。