文字出片

一段文字 → 一条竖屏短视频（数字人 + 大字幕 + 配音）
建议 400~1200 字，对应 1~3 分钟成片0 / 1200
这句话会写进给模型的指令里，越具体越贴近你想要的味道。
配色决定字幕用描边还是底条，这个由系统按亮度自动选。
点击或拖入一段你出镜的视频mp4 / mov / webm，手机上竖拍最好；会自动转成 1080×1920 并循环到成片长度
不传就只用大字卡和配色，成片里不会出现人物。
点击或拖入一段你说话的录音mp3 / wav / m4a，10~60 秒清晰人声；语速固定 1.25 倍
音色克隆需要你自备一个克隆服务（见下方高级设置）；没配就用内置音色。
高级设置：模型 API 与音色服务
兼容 OpenAI 协议的都能用（通义、豆包、DeepSeek、Kimi、硅基流动、one-api 中转）。不填也能出片，只是画面版式会用规则版。
说实话的部分：内置音色（edge-tts）不能克隆。要用你自己的音色，需要你自备一个支持「上传参考音频」的合成服务 （GPT-SoVITS / CosyVoice / fish-speech 之类都能起一个 HTTP 接口），填地址即可。系统只负责调用，不承诺对方音质。
✓成片好了
准备中
正在估算剩余时间…