一支影片做三種語言版本：Wan 3.0 原生對白、對白編輯與後期對嘴，該怎麼分工？
產品介紹、課程片頭、品牌短片，做完中文版之後，常常接著就要英文版、日文版。以前多半是重新配音再硬套上去，嘴型對不上也只能接受；現在影片模型可以直接生成有對白的畫面，選擇反而變多了。
Wan 3.0 是阿里巴巴的「全能型」影片模型，2026 年 8 月 24 日正式開放，一次最長可生成 30 秒、預設帶聲音的影片。這篇文章整理三種做多語言版本的路線：每種語言各生成一次、用對白編輯改台詞，以及先做好畫面再用後期對嘴工具。內容根據阿里雲 Model Studio 的官方文件；文中的提示詞是為本文撰寫的範例，沒有經過實際生成測試。
先看官方文件怎麼寫對白
Model Studio 的「wan3.0 Video Generation Prompt Guide」（2026 年 10 月 16 日更新）對對白的寫法很具體：
格式是「角色＋說話動詞＋冒號＋引號內容」，例如 她輕聲說："……"。
多人對話要逐行寫，並標明誰在說話，例如 Image 1 says: "……"。
想讓嘴型對上，加上 Lip sync。
想沿用某段聲音的音色，加上 Voice timbre reference Audio N，寫一次就套用到該角色的所有台詞。
不要對白時，一定要明寫 No dialogue，否則由模型自行決定要不要讓人物開口。
另外要知道一個限制：阿里雲在 Wan 3.0 的發表文章中直接寫明，「音訊質感」和「畫面文字的呈現準確度」都還在改進中。文件也沒有列出支援的語言清單。所以不論走哪條路線，每種語言都建議先用短片確認發音和語氣。
三條路線
路線 A：每種語言各生成一次。 把同一份腳本翻成三種語言，分別生成。好處是每個版本的嘴型、表情都是一起生成的，最自然；壞處是每次生成都是新的畫面，人物的動作、鏡頭節奏不會完全一樣。如果三個版本要放在同一個頁面並排比較，差異會很明顯。
路線 B：先生成一版，再用對白編輯改台詞。 提示詞指南的「影片編輯」段落有一個例子：「保留角色的音色和語氣，把女子說的台詞改成……」。也就是說，可以把已生成的影片當成參考影片送回去，只改台詞。指南也提醒，一次只改一個項目最穩定，並且要寫上「其餘保持不變」。要注意的是，輸入影片加上輸出影片的總長不能超過 30 秒。
路線 C：先做好畫面，再用後期對嘴工具。 先生成畫面（可以是原語言版本），再把各語言的配音交給對嘴（lip sync）工具，只調整嘴部。畫面、人物、鏡頭完全相同，最適合要並排呈現或長度超過 30 秒的內容。代價是多一道工序，而且配音要另外準備。
怎麼選
幾個簡單的判斷方式：
三個版本要放在一起比較，或要剪進同一支長片 → 路線 C。畫面一致比什麼都重要。
短片、各語言分開投放，且希望嘴型和表情最自然 → 路線 A。
只有一兩句台詞要換，其他都不想動 → 路線 B。
影片超過 30 秒 → 單次生成放不下，路線 C 或分段處理比較實際。
路線 A：讓三個版本盡量像同一支
如果選擇各語言分別生成，可以用幾個方法把差異壓到最小。
第一，三個版本共用同一組參考素材。人物、服裝、場景都用同樣的 Image 1、Image 2 鎖定，而且上傳順序一致，因為提示詞裡的編號是依上傳順序計算的。第二，三份提示詞的結構完全相同：同樣的全體描述、同樣的鏡頭分段和時間戳，只替換引號裡的台詞。第三，鏡頭盡量簡單，例如固定機位或緩慢推近；運鏡越複雜，每次生成的差異就越大。
如果希望三種語言聽起來像同一個人，可以為每個語言準備一段同一位配音員的錄音，用 Voice timbre reference Audio 1 指定音色。參考音訊最多 5 段、合計 15 秒以內，單檔 15 MB 以內。即使這樣，畫面還是每次重新生成，細節不會完全一致，這一點要先有心理準備。
路線 C：原始畫面要有「說話的嘴」
走後期對嘴時，原始畫面最好本來就有人物開口說話，而不是完全閉嘴的版本。工具頁面建議使用「說話動作清楚」的影片，嘴部要清楚、沒有遮擋。實務上可以先生成原語言（例如中文）有對白的版本，確認畫面滿意後，再把英文、日文配音交給對嘴工具處理。
這樣做還有一個好處：原語言版本本身就是成品之一，不必另外生成。後面兩個語言只多一道對嘴工序，畫面、剪輯、字幕位置都可以共用。
對白編輯的寫法
路線 B 的關鍵是「只改一件事」。下面是依照指南句型寫的範例（未經測試）：
編輯影片：保留 Video 1 中女子的音色和語氣，把她說的台詞改成："This one is made for rainy mornings."
人物的動作、表情、背景和鏡頭運動保持不變。寫的時候要注意三件事：第一，開頭寫清楚是「編輯影片」，讓模型知道這不是重新生成；第二，台詞放在引號裡，一字一句寫出來；第三，把不能動的東西列出來。新台詞的長度最好和原台詞差不多，否則說話節奏會被迫加快或拖長。
後期對嘴工具要注意什麼
路線 C 用的對嘴工具有很多種。以一個獨立的第三方網站為例，它的 AI 影片口型同步工具 頁面上寫的規格是：影片支援 MP4、MOV，最大 500 MB；音訊支援 MP3、WAV、AAC、M4A、OGG，最大 10 MB；處理長度大於 1 秒、最長 240 秒，並分為輕量和基礎兩種模式（該網站並非阿里雲官方服務）。
頁面上的建議也很實用：選擇正面或輕微側面、嘴部沒有遮擋的影片，而且目標音訊的長度盡量接近原影片。換句話說，配音稿的長度要先控制好。中文一句話翻成英文或日文，長度常常會差很多，最好在翻譯階段就以「秒數」為單位調整，而不是等配好音再剪。
發布前的檢查清單
每種語言都先用短片確認過發音和語氣
不需要對白的版本寫了 No dialogue
對白編輯一次只改一句，並寫上「其餘保持不變」
輸入影片＋輸出影片不超過 30 秒
對嘴用的配音長度和原影片接近，人物嘴部清楚可見
字幕在後製加上，不靠模型在畫面上生成文字
生成結果的網址 24 小時後失效，記得馬上下載
多語言版本的難處，從來不只是翻譯，而是讓每個版本「看起來是同一支影片」。先決定哪一點最不能妥協，是畫面一致、嘴型自然，還是製作速度，路線自然就選出來了。
資料來源：阿里雲 Model Studio「wan3.0 Video Generation Prompt Guide」（2026-10-16 更新）、「Wan3.0 Video Generation」指南（2026-10-11 更新）；Alibaba Cloud Community〈Wan3.0: 30-Second AI Video Generation from Any Input〉（2026-08-13）；Reuters（2026-08-24）；wan30.io 口型同步工具頁面（2026-10-25 讀取）。