介绍
使用 AI 制作视频时，你是否总是遇到这样的问题？画面效果令人惊艳，却需要额外制作所有声音，还得费力拼接音轨、调节节奏，结果常常声画不同步，环境声、特效声与人声各自孤立，听感割裂，彻底打破沉浸体验。
现在，「SeaArt UltraVision」带来突破性「音画同出」功能：一次生成，声画俱备。语音、音效、环境音全包办，节奏情绪自动契合，真正实现“所见即所闻”。
接下来，就为你展示如何用它轻松打造爆款视频！
一、「SeaArt UltraVision 模型」带来了什么改变？
1、核心能力一览
● 音画协同：语音节奏、环境声与画面动作同步，避免画面和声音割裂。
● 音频质量：支持人声、音效、环境声，音质更干净、层次更丰富，接近真实混音。
● 语义理解：能读懂聊天口语、复杂剧情，准确把握创作者意图，输出更合拍的音画内容。
➢ 总的来说，「SeaArt UltraVision 」只需要你提供文字或者图片，就会自动完成画面与声音的同步生成，配音一键搞定、音效同步生成，创作门槛再次降低，制作时间大幅缩短，专业级效果触手可及！
2、两条高效创作路径
#文生音画：输入文本，生成视频同时带有语音、音效、环境音
操作路径：①选择SeaArt UltraVision模型 ②选择文生视频，输入提示词 ③设置参数（时长、尺寸）
#图生音画：上传图片/文本，一键直出音视频，适合已有图像扩展为音画内容
操作路径：①选择SeaArt UltraVision模型 ②选择图生视频，输入提示词和参考图 ③设置参数（时长）
二、提示词教程及案例展示
提示词总结构：【场景】+【主体】+【运动】+【音频】+【其他】
（一）基础教学
想要大模型生产满意的视频，最关键的是让它听懂你想要什么，所以这套教程会按“由浅入深”的逻辑来带你写提示词，从最简单的【纯背景音效】，一步步过渡到【音乐视频】、再到【完整剧情演绎】——让你循序渐进，一次掌握视频创作的关键思路。
1、背景音效叙事 ：从动物治愈视频到高燃打斗场面
我们先从门槛最低、产出又最直观的方向开始：画面简单，主要靠丰富的细节音效让人瞬间沉浸进去。比如猫咪洗盘子、打斗戏、工具敲击等等，这些场景画面简单，但只要声音和动作同步到位，就会是一个精彩的视频。借助强大的 SeaArt UltraVision，你可以轻松做出各种风格的“画面 + 音效”视频内容。
例如：
● 可爱类：猫咪后厨洗盘子、狗狗吃饭 ASMR，小动作配上碗盘叮当、咀嚼声，非常治愈。
● 真实写实类：工厂流水线运转、维修工打磨金属、路边摊煎炒声，画面日常但声音细节很扎实。
● 紧张刺激类：拳套碰撞、金属刀剑摩擦、爆炸后的碎片滚落地面，适合做爽感战斗片段。
● 悬疑恐怖类：木楼梯轻响、走廊里风声夹杂脚步、门后若有若无的碰撞声，一下把氛围拉满。
● 科幻未来类：能量舱低频嗡鸣、机械臂滑轨声、金属舱门缓慢折叠，配合冷色调科幻舱室画面。
提示词模板：
【场景】：
一句话交代“人在哪 + 氛围如何”
例：深夜后厨、早晨小餐馆、废土荒原、机舱内部、森林深处...
【主体】：
谁是这条视频里主要发声的主角？
例：戴厨师帽的猫、搅拌碗的手、 机器人、森林...
【运动】：
主角做了哪些会“发声”的动作？
例：搓盘子、敲碗、舔勺子、扒饭、脚踩金属凳……
【音频】：
把“所有声音”拆成两层来写：
● 近处动作音：
写清【物体/材质】+【动作】+【拟声词 / 声音形容】
例：
陶瓷盘被搓“嘶嘶”、不锈钢台面被敲“当啷”、木头折断“咔哧”、 皮革摩擦“沙沙”
● 环境底噪音：
写清【环境里持续在响什么】（油锅小火、远处说话、空调、排风扇……）
例：
厨房里低频轰鸣、森林虫鸣风声、城市夜里的微弱车流、地下室的空洞回响、 战场远处的爆炸余响
【镜头】：
谁是视觉主角，用“全景 / 中景 / 近景”交代清楚即可。
案例展示：
提示词：
深夜后厨，灯光偏冷，宽敞厨房内锅灶与操作台排布整齐，远处有厨师忙着翻炒、切菜，水槽旁泡沫翻滚，氛围是认真工作的厨房常态。头戴小厨师帽的橘白小猫站在矮凳上，爪子握住一个冒泡的陶瓷盘子，认真地“打工”中。猫咪用爪子在盘子上前后搓动，下爪拍打水花，最后轻轻敲击盘沿，水珠四溅。 陶瓷盘被动作搓——嘶嘶嘶，水流拍打——扑通扑通，盘子被敲击——叮当，水滴落入水槽——滴答滴答。背景里排风机持续低鸣，叠加远处厨具有节奏的碰撞声，带着金属后厨特有的室内混响，镜头以全景拍摄猫咪与水槽，顺带扫过一旁正在炒菜的厨师。
提示词：
黄昏的废土战场，残破建筑半塌，远处黑烟翻涌，空气中弥漫灰尘与火光，氛围紧张压抑。 一辆报废军卡停在沙地中央，附近堆着油桶和碎石沙袋，是爆炸的主要“主角”。镜头前方，一发高爆弹命中军卡底部，瞬间引燃油箱，火球冲天而起，冲击波掀翻沙袋，金属碎片和石块朝四周抛洒。 军卡油箱被高爆弹击中引燃——“轰——！”（低频厚重的爆炸声） 金属车壳被炸裂撕开——“咔嚓、哗啦！” 碎石与弹片砸落地面——“叮当、砰砰”（石块和金属撞击沙地与铁片） 。远处战场仍在零星爆炸，传来间歇性的“隆隆”余响； 空气中充满火焰燃烧发出的“滋啦啦”声，伴随微弱风声和空旷地形的回声，整体营造出混乱的战场氛围。
2、音乐向视频：说唱、纯音乐、MV等直接拿下
在学会了用「画面 + 音效」讲故事之后，很多人下一步都会想：那我能不能直接让模型帮我做一条完整的音乐视频，创作出契合画面的动人旋律？答案是：完全可以。借助强大的 SeaArt UltraVision，你可以轻松生成各种风格的音乐向视频。
例如：
● 歌曲演绎类：女孩轻声唱情歌、男孩悲伤唱民谣等
● 街头 Rap类: rapper 来一段炸街的 Rap，鼓点和口型严丝合缝。
● 纯音乐类：电子乐、钢琴曲、弦乐等
提示词模板：
【场景】
一句话交代“音乐在什么地方响起 + 氛围如何”。
例：夜晚屋顶、小酒馆舞台、卧室落地窗前、地铁通道、演唱会后台……
【主体】
写清“发声的这个人/乐手”是谁：性别 / 年龄 / 穿着 / 身份
例：街头歌手、独立乐队主唱、练习室里的练习生、街头 rapper...
【运动】
演唱 / 说唱 / 演奏时的动作：
例：抱着吉他坐在椅子上、双手握麦站在舞台中央、闭眼轻轻点头、跟着节奏摆动肩膀、手指在琴键上滑动……
【音频】
● 唱歌类（有歌词的歌）
写成：“歌词内容” + 演唱风格 + 伴奏描述 + 情绪
例：
【女生，声音清澈】温柔地唱：“从遇见你的那天起，我的世界开始有了意义……”演唱风格流行 (Pop)，伴奏为木吉他清弹，情绪深情、略带忧郁
● 说唱类（Rap）
写成：“押韵句子” + 节奏流派 + 情绪
例：
【年轻rapper，低沉有力】跟着节奏说唱：“City lights, long nights, I’m on my grind, no goodbyes.”，Boom Bap，自信、带一点挑衅
● 纯音乐类（没有歌词，只要氛围）
写成：乐器类型 + 音乐流派 + 情绪
例：
音频：钢琴独奏 + Classical / Ambient，安静、略微忧郁，适合作为深夜城市远景的 BGM
【镜头】
唱歌 / 说唱：中近景对准脸和上半身，适当给嘴型、手势、乐器的特写；
纯音乐：镜头可以慢慢推、慢慢移，去配合音乐的节奏和情绪，比如缓慢飞过城市夜景、从窗外雨滴扫到屋内的人影等。
案例展示：
提示词：
花园里，傍晚的柔和阳光照在草地和花丛上，背景是模糊的灌木和几丛盛开的玫瑰。一位长发女孩穿着浅色连衣裙，站在花丛前，对着镜头轻轻歌唱，身体微微左右晃动，双手自然垂在身侧。[女生，声音清澈，语速舒缓]温柔地唱：“When the daylight fades and the stars appear, I still feel your heartbeat, whispering in my ear.” 伴奏为柔和的钢琴加轻微弦乐，情绪浪漫、安静。镜头用中近景对准女孩的上半身，背景稍微虚化，保留花园的颜色和光晕，整体画面唯美、柔和，像一段简单的英语情歌 MV。
提示词：
黄昏时分的琴房，夕阳洒在黑白键上。一位年轻女孩坐在钢琴前，裙摆轻垂，手指温柔地落在琴键上，表情沉静且专注。女孩保持坐姿，双手来回轻轻起伏，眼神偶尔望向窗外，琴键下方的脚踏板浅浅压下，节奏平稳。钢琴独奏, 古典流派,忧郁情绪，略带温柔的颤音，配以屋内微弱木质共鸣。镜头拍摄女孩与三角钢琴，慢慢推近至她抬起的手指和滑动的琴键。
3、剧情类叙事：从单人Vlog到多角色短剧
在前两部分解决了“音效”和“音乐”之后，下一步就是让视频真正承载故事情节。这意味着更高的要求：口型需与台词匹配，动作和手势要传递潜台词，语气需承载细腻的情感变化。现在，借助 SeaArt UltraVision 的强大理解与生成能力，你只需在提示词中清晰地交代：谁出场、发生了什么事、情绪如何起伏，就能直接生成故事感饱满的叙事片段。
这里的故事可以很简单：
● 单人叙事：旅游Vlog、沉浸式吃播……
● 多人互动：情侣在地铁站告别、同事在茶水间交锋、好友在咖啡馆交换秘密……
提示词模板：
【场景】
一句话交代“人在哪 + 氛围如何”。
例：海边栈桥、城市天台、卧室书桌、办公室茶水间、傍晚客厅……
【主体】
● 单角色：
写清“这个说话的人”是什么人设： 性别 / 年龄感 / 穿着 / 身份
例：旅游博主、美妆博主、社畜上班族、吐槽博主等...
● 多角色：把每个人都标注出来
【角色A：穿白衬衫的上班族】、【角色B：戴眼镜的同事】
简单写一下他们当前的情绪关系（在拌嘴 / 在吵架 / 在讨论）
【运动】
说话时顺带的肢体动作
例：指向远方、扶着咖啡杯、轻轻晃动身体、抬手比划、靠在栏杆上、双手叉腰、摊手叹气……
多角色时，可以分别写：A 在指纸张，B 双臂抱胸等，方便模型知道谁在做动作。
【音频】
角色标签 + 情绪 + 语速 + 音色 + 触发词（说 / 笑着说 / 抱怨地说 等）+ 台词句子**
● 单角色示例：
【女孩，甜美清亮，语速自然】笑着说：“Hey guys, check out this view—sunset vibes are unreal today!”`
● 多角色示例：
【男声，压抑而低沉，语速中等】抱怨地说：“You promised you’d call before making the decision!”`
【女声，激动而坚定，语速稍快】提高声音回怼道：“I’m tired of waiting for you to act—this is my life too!”`
记得把“笑着说、小声说、激动地说、无奈地说、抱怨地说”这类音频触发词写进去，模型更容易做出口型和对应的情绪起伏。
【镜头】
单角色一般用近景 / 中近景： 对准脸和上半身，既能看到嘴型，又能看清表情；背景轻微虚化，只做氛围铺垫，不抢戏。
-多角色时，可以写：“中近景对准两人的脸和上半身，必要时在 A / B 之间做简单正反打切换。”
案例展示：
提示词：
海边，夕阳洒在海面泛起金光，远处浪花拍打岸边。一个旅游博主女孩正举着手机拍摄，她轻轻摆动身体，最后指向日落的方向。[女孩，甜美清亮，语速自然]地说，“Hey guys, check out this view—sunset vibes are unreal today!”。近景捕捉女孩脸部与手势，背景稍微虚化呈现海景与夕阳，营造出轻松的 vlog 感。
提示词：
傍晚的公寓客厅，窗外霓虹初亮，暖色灯光与冷色窗外光交织，沙发靠墙、一盏落地灯营造出私密的居家氛围。一对年轻情侣站在沙发前，男方双臂交叉眉头紧锁，女方双手叉腰脸颊微红，彼此距离只有一步之遥，气氛紧绷。男方微微向前倾，女方下巴抬高，语气激动但保持站姿。[男声，压抑而低沉，语速中等]地说道， “You promised you’d call before making the decision!”[女声，激动而坚定，语速稍快]地说道， “I’m tired of waiting for you to act—this is my life too!”镜头为近景正面。
（二） 重点教学
1、多角色对话场景 Prompt 注意事项
当视频中存在多个主体或角色时，清晰的提示词是生成自然对话的关键，需要明确界定每个角色的身份、台词和互动方式。
#1 角色命名固定
核心原则：用固定的标签指代h每位说话人，别用“他/她”这种模糊词。
正确示范：【角色A：红衣记者】、【角色B：候选人】
错误示范：【记者】说...【他】又说...（模型分不清是谁）
#2 动作绑定角色
核心原则：先描述动作，再写台词，让模型知道是谁在干什么。
正确示范：先描述动作，后接台词：红衣记者瞪大眼睛，挥手追问。【红衣记者，焦急地说】‘这背后到底藏着什么？’”
错误示范：【红衣记者】：“这背后到底藏着什么？”（不说明动作时，台词可能被随机分配）
#3 音频细节明确
核心原则：为每个角色赋予独特的音色和情绪标签。
正确示范：【候选人，平静低沉、语速稍慢】地说：“我会详尽解释。”【红衣记者，急促清亮】地反问道：“那为什么迟迟不回应？”
错误示范：【候选人】说...【记者】说...（两人声音特点没有明确区分，模型容易混在一起）
#4 控制时间顺序
核心原则：用“紧接着” “接着” “这时候对方回应”等词，控制节奏。
正确示范：候选人皱眉， 【候选人】说，‘我还没答应。’ 紧接着，【红衣记者】说，‘那你打算什么时候给答复？’”
错误示范：【候选人】：“我还没答应。”【红衣记者】：“那你打算什么时候给答复？”（模型可能一次性让两句话一个人说完）
2、电影级打斗场景 Prompt 模板
电影里那种拳拳到肉、节奏紧凑的打斗，其实也可以让大模型帮你还原。下面这个「电影级打斗场景」模板，教你快速写出高燃的打斗 Prompt。
提示词模板：
【场景】
战斗发生在【地点 / 环境，如废弃仓库、雨夜小巷、科幻飞船走廊】等场景中，整体光线偏【明亮 / 昏暗 / 强烈逆光】，营造出一种【紧张压迫 / 写实粗粝 / 电影级】的氛围感。
【主体】
画面里出现【战斗者 A：外形 + 服装 + 气质】和【战斗者 B：外形 + 服装 + 气质】，两人【左右 / 前后】相对而立，起手时摆出【如握拳、抬起防守架、压低重心等】姿势，给人【冷静老练 / 冲动狠辣】的第一印象。
【运动】
● 格斗过程：
双方以【例如极其精准的节奏感、娴熟的格斗训练】来进行防守——通过【双臂格挡、手掌轻推偏移、手腕灵活旋转等动作】拆解对手攻势，但【左侧 / 右侧 / 某一方】战士的动作明显更老道，出招干净利落，像真正的高手。
● 战斗升级：
随着攻防节奏加快，镜头开始【绕圈、上扬、贴近肢体穿梭】运动，【优势一方战士】以【不可思议的速度、近乎毫不费力】挡下每一次攻击，拳脚从身边掠过往往只差【毫厘】，随后用【短促、锋利】的反击精准打中对手要害。
● 环境互动：
【元素，如尘土、碎石、雨水】在他们脚边被不断带起，镜头【贴地低飞、忽然抬升】掠过这些细节，在【再度交锋 / 关键一击】的瞬间凝固画面，【占优的战士】始终在节奏上占据主导。
【音频】
每次重击带来的“砰”声、拳脚划破空气的破风声、鞋底与地面的摩擦声、急促的喘息，再加上环境底噪（如仓库空旷回声 / 雨点拍打地面 / 远处机器低鸣），共同塑造出富有质感的打斗听觉体验。
【镜头】
镜头采用【低角度广角 / 俯视 / 特写等】机位，贴近【人数】名战斗者之间进行拍摄，并始终围绕【地点 / 环境】这一空间展开运动，让观众仿佛置身战斗现场。
提示词：
昏暗的废弃仓库，顶灯微弱闪烁，整体氛围紧张压迫感。两名战斗者相对而立：左侧战士动作狂放，进攻欲望强；右侧战士身形稳健，气质冷静老练。两名战斗猛然冲向彼此。第一次交锋的重击带来强烈的震动，画面随之颤动。镜头迅速跟随他们的手部动作，捕捉到一连串快速的拳打脚踢。两人都以极其精准的时机完成双臂格挡、手掌偏移、手腕旋转，但右侧的战士动作如同大师一般。镜头高速环绕他们，右侧战士毫不费力地化解每一次攻击，干净利落地将打击推开。左侧战士爆发出一连串狂暴攻击。镜头突然上扬，穿梭在他们的手臂间，右侧战士以不可思议的速度拦截每一击，攻击擦身而过仅差毫厘，随后用短促、犀利的反击精准命中。音频重点突出每一记重拳砸中身体或墙面的沉闷“砰”“咚”声，间或夹杂少量拳风划过空气的呼呼声和地面轻微回响，整体听感偏厚重、有冲击力。镜头以低角度广角拍摄。
（三） 常见音频触发词
为了让大模型更准确地生成你想要的音频内容，可以针对不同类型选择合适的描述词，精准触发对应的音效、音乐或语音风格。
#音频类型：语音
- 表达方式：说、问、告诉我、解释道、叹息道、朗诵、独白、旁白、低语
示例：一个男人坐在桌旁，平静地对另一个人说话。
- 情感/态度：轻声说、小声说、激动地说、认真地说、温柔地说、正式地说、抱怨道、迟疑地说、冷静地说、讽刺地说、鼓励地说
示例：在拥挤的房间里，两个朋友靠近，轻声说了一个秘密。
- 声音特质：嘶哑的、清晰的、颤抖的、甜美的、低沉的、语速很快、语速很慢、断断续续
示例：一位病人醒来，用嘶哑的声音请求帮助。
#音频类型：对白
- 互动形式：问、回答、接着说、回应、争吵、讨论、谈判、安慰、劝说
示例：两个朋友在咖啡馆里，一人向另一人问了一个私人问题。
- 动作音：喊、抱怨、调侃、打趣、嘟囔、惊呼、哭泣/啜泣、尖叫、大笑/窃笑、叹气
示例：一个父亲站在门口，大声喊着在院子里玩耍的孩子。
#音频类型：唱歌
- 技巧/风格：清唱、轻轻唱、哼唱、放声唱、美声、流行唱腔、颤音、假音、和声
示例：一位歌手站在舞台中央，没有伴奏，开始清唱歌曲的第一句。
- 情绪/状态：情绪激昂地唱、温柔地唱、忧郁地唱、开心地唱、跑调
示例：一位歌剧演员在?部分，情绪激昂地唱着高音。
#音频类型：Rap
- 专业词汇：rap、说唱、节奏感、押韵、flow、快速、慢速、强烈节奏、即兴、重低音、快嘴
示例：一位街头说唱歌手在霓虹灯下，进行一段rap。
#音频类型：音效
- 生活动作：开盖、倒水、翻书、敲击、摔落、撕开、拿起、放下、点击、咀嚼、吞咽、脚步声、急促地跑步声、开门/关门声
示例：特写镜头：一个人正在打开一瓶碳酸饮料的开盖声。
- 材质碰撞：叮、啪、咔哒、咚、砰、脆响、摩擦声、刮擦声、玻璃破碎、金属撞击
示例：一个玻璃杯被金属勺子轻轻碰触，发出叮的一声。
- 自然声音：哗啦（水）、呼呼（风）、噼啪（火）、咕噜（冒泡）、雷声、雨滴声、暴风雨、雪地踩踏声
示例：一条小溪里的水流过石头，发出哗啦声。
- 机械声：轰鸣、滴、嗡、咔嗒、启动声、警报声、刹车声、机械运转/齿轮声
示例：一辆跑车在公路上轰鸣着加速。
- 乐器声：钢琴声、吉他拨弦声、小提琴、鼓点、低音贝斯
示例：一位演奏家正在音乐厅里弹奏钢琴声。
#音频类型：环境音
- 城市：车流、人群低语、地铁、商场广播、街头风声、施工声、飞机飞过声、鸣笛声、市集喧闹
示例：在繁忙的十字路口，持续不断的车流噪音。
- 自然：海浪、风声、鸟叫、虫鸣、溪水、瀑布声、动物吼叫声、夜晚虫鸣、雨林
示例：清晨的沙滩，传来舒缓的海浪拍打声。
- 室内：空调声、键盘声、纸张摩擦、微弱混响、酒吧/咖啡厅背景音乐、医院走廊安静的氛围、图书馆寂静、炉火燃烧声
示例：在安静的办公室内，只有持续低沉的空调声。
三、FAQ
Q1：SeaArt UltraVision 目前支持哪些语音输出语言？
SeaArt UltraVision 目前支持的语音输出为英文与中文。您可以使用任何语言输入文本，系统会自动识别其中的英文或中文内容并生成对应的语音台词，其他语言的部分暂不支持生成语音。
Q2：提示词为什么提示不到位，画面声音总是不匹配？
关键词是“分层描述”。建议按【场景 / 主体 / 动作 / 音频 / 镜头/ 风格等】分点提示，不要把所有元素堆在一句话里。比如描述音效时，用“玻璃窗轻轻关上——叮”而不是模糊地说“关门有声”，清晰的提示词能让模型更快理解。
Q3：创作内容总想堆更多元素，结果反而更乱？
“少即是多”更适合 AI。一次创作集中 1-2 个核心元素（比如一段对话或一个显著音效）·，详细写清楚，再通过后续迭代逐步添加音画层级。复杂场景可以拆成多个短片分别生成，然后再拼接。
Q4：音频触发总失败，导致效果不好？
请参考我们整理的“音频触发词”表格（如“说”“激动地说”“钢琴声”“轰鸣”等），在音频段落中明确写出触发词。例如要表达怒气对话就写“【男声，愤怒地说】……”，这样的线索能显著提升音频识别率。
Q5：不会写提示词怎么办？
先明确想要的创作方向（场景、氛围、音频类型），再调用创作助手或参考示例提示词生成初稿，得到结构化内容后可再微调细节，快速出可用提示词。
