时光影像信 · 把想说的话做成会动、能听的一封信

把零散心里话润色成信、念成语音、配上会动的分镜，合成一支短片。

本篇以一段写给妈妈的口语心里话跑通全链路，合成一支 23 秒、自带女声朗读和逐句字幕的短片。有些话当面说不出口、打字又太干，想对异地的爸妈、爱人、孩子说声想念或生日快乐，就把零散心里话交给模型润色、配音、配画面，做成一支能直接发过去的影像信。

调用链：qwen3.8-max（润色成信）→ qwen-audio-3.0-tts-plus（念成语音）→ wan2.7-image（出 5 张分镜图）+ happyhorse-1.1-i2v（每张变 5 秒画面）→ 本地 ffmpeg 合成（不耗 Credits）。

实测产出

合成的 23 秒成片（5 个分镜跟着句子换画面，自带女声朗读 + 逐句字幕，记得开声音）：

起点素材是 wan2.7-image 生成的分镜图之一（真做时换成你和家人的真实合照）：

步骤：把心里话润色成一封能读出来的信

先把口语心里话发给 qwen3.8-max 润色成信：

帮我把下面这段口语、零散的心里话，润色成一封温暖、真诚、可以读出来的信。写给我妈妈。
要求：
1. 保留我说的所有真实细节（饺子、唠叨多穿点、异地三年、生日），不要编我没说过的事
2. 口语化、像真人在说，不要华丽辞藻和排比堆砌，宁可朴素
3. 控制在 200 字以内，因为要念成语音，太长听着累
4. 结尾落到"生日快乐"和一句最想说的话
5. 只输出信的正文
我的心里话：【粘贴你想对家人说的话，说得零散、口语没关系】

信润色好后，用 qwen-audio-3.0-tts-plus 念成语音、wan2.7-image + happyhorse-1.1-i2v 出分镜，最后本地 ffmpeg 按字幕时间轴顺接、混音、加字幕。

妈，我在外地工作三年了，一年也就回去一两次。每次视频，你都说家里都好，
让我别惦记，可我知道你一个人。其实我很想你。你包的饺子，你唠叨我多穿点，
我都记得。谢谢你。你生日快到了，生日快乐。我最想说的是：妈，我爱你。

（输入只是一段零散口语："我不太会表达…在外地三年…她包的饺子、唠叨我多穿点
我都记得…妈生日快到了想说声谢谢和生日快乐"。模型保留了全部真实细节、
没有编造，压到 105 字、口语、适合念出来。）

说明

• 消耗：本玩法把三种模态串起来，文本（qwen3.8-max）1 次 → 语音（qwen-audio-3.0-tts-plus）1 次 → 出图（wan2.7-image）5 次 + 图生视频（happyhorse-1.1-i2v）5 次。视频生成消耗明显高于文本和语音，分镜越多越贵，且异步任务完成后统一结算，先用 5 秒、720P 跑通一个分镜再补齐其余。合片（对齐时长、加字幕、混音）用本地 ffmpeg 完成，不耗 Credits。
• 怎么把零件拼成一支片子：TTS 语音 23.5 秒，而 i2v 一次只出 5 秒。别用一段素材正放倒放循环铺满全程，画面会明显重复，还跟正在念的句子对不上。做法是按字幕分镜：先把信切成 7 句、依字数比例排出时间轴，再让每 1–2 句配一个分镜（异地窗前的女儿 → 母亲一个人视频通话 → 包饺子的手 → 生日的蜡烛 → 母女相视而笑），最后本地用 ffmpeg 把 5 段素材按时间轴顺接（时长不够的那段轻微慢放补足）→ 混入语音 → 叠逐句字幕 → 首尾淡入淡出。剪辑在本机完成，不消耗 Credits。
• 出图：出图提示词里要把人写清楚，只写「母亲和女儿」，模型很容易给出欧美面孔；把「中国母女、东亚面孔、中式厨房（砂锅/蒸笼/青花瓷碗）」写进提示词，再用反向提示词排除「欧美面孔」，出来的合照才像自家人。
• 音色：qwen-audio-3.0-tts-plus 没有内置系统音色，要用克隆或音色设计接口先建一个音色 ID 再传入；想开箱即用系统音色可改 cosyvoice-v3-flash（如 longanyang，已实测直接出音）。想要更长的片子就让信写长一些，字幕时间轴会自动跟着摊开。
• 隐私：真做时用你和家人的真实合照替换演示图（i2v 直接吃你的照片）；照片属于隐私，注意只在自己可控的环境里处理。