成人AI视频有声音和人声吗？

取决于工具。很多 AI 视频生成器至今输出的仍是无声短片，音乐和人声要你自己在剪辑软件里加。Nureta 默认生成音频：渲染视频时，生成画面的同一个模型也会生成声音，所以环境音和人声会和视频一起出现在同一个文件里。你不需要上传任何东西，也不用另外为配音功能付费。这适用于 Nureta 的两种做法：只凭故事或剧本生成场景的纯文生视频，以及使用最多 2 张自愿成年人面部照片选角的场景。消费者版视频以 480p 渲染，时长 5 秒到约 3 分钟，首个视频用 Google 登录即可免费（带一个小的 Nureta 水印，付费视频无水印）。

原生音频并不意味着每种语言都有录音棚级别的配音表演。它是生成出来的声音，和画面一样，质量取决于你写的场景和使用的语言。

分为两层。环境音赋予场景空间感：房间里的低鸣、雨打在窗上、远处的人声、脚步和动作声。人声赋予角色存在感：场景里有台词时会有说话声，也包括符合当下情境的非语言声音。

人声对你所写台词的还原程度并不固定。说话人明确的短台词最稳定，长篇独白则没那么稳定。把人声当作表演的一部分，而不是保证逐字朗读的剧本；如果某句台词对你很重要，先用 5 秒短片测试。

场景可以用中文、英文、日文、韩文、俄文或西班牙文编写，Nureta 的网站和客服也支持全部六种语言。但各语言的人声质量并不相同。目前英文最成熟，发音最清晰，语气也最自然。其他语言也能用，但口音、节奏以及台词还原度会有更大的波动。

实用建议：用你想听到的语言写台词，每句尽量短，并写明是谁说的。比如你想在动漫风场景里用日语台词，先用短片测试，再围绕它做长视频。

给音频提供素材。写出环境的声音（“安静的酒店房间，雨打在玻璃上”）、说话的语气（“轻声地、带点挑逗”或“笑着说”），并把台词放在引号里，注明说话人。一条 5 秒短片，一两句短台词就足够了。

对白多的故事，就用更长的视频。Nureta 会把多个场景拼接成最长约 3 分钟的影片，每个场景都会生成各自的声音，让对话有足够的空间。在各个场景中保持相同的环境描述，环境音才会连贯。

在 Nureta Developer API 上，音频是一个请求参数：generate_audio 默认开启，可选的 audio_url 输入可以让你在请求中传入自己的音频。配合高级模式，你可以提交自己的分镜 segments，每段设置脚本和 4 到 15 秒的时长，从而精确规划长视频中台词出现的位置。

API 按视频秒数计费，从预付余额中按量扣除（单价见 Nureta Developer API 文档），模型有 480p、720p 和 1080p。请求遵循创建、轮询、回调 webhook 的生命周期，所以带声音的视频也能接入批量生产流水线。audio_url 的具体用法见开发者文档。

音频：消费者版所有视频默认开启，与画面一起原生生成。层次：环境音和人声。语言：提示词支持中文、英文、日文、韩文、俄文和西班牙文，人声目前英文最成熟。时长：5 秒、10 秒、15 秒，或最长约 3 分钟的多场景视频。分辨率：消费者版 480p，API 支持 480p、720p、1080p。价格：首个视频用 Google 登录免费（带一个小的 Nureta 水印，付费视频无水印），之后每条 5 秒视频 $1.29，或积分包 $3.79、$7.99、$15.99、$39.99。付款：Base 链上的 USDC，没有订阅。

隐私保护对声音和画面同样适用：视频默认私密，你可以随时在账户设置中删除账户，你的视频、照片和个人资料都会被清除。