在 Reddit 的可灵板块看到一个测试:同一张厨师端着意面的图,用 Kling 4.0 图生视频跑了五种语言,每条 6 秒、720p,提示词只换语言和台词,然后把每条视频过一遍语音转文字,看念出来的和写的对不对得上。发帖的人说,每次可灵发布都写口型支持 9 种语言,所以他挑了五种来验。我关心的是这类测试的做法:用转写去核对,比肉眼看口型靠谱。我自己做多语种的出海短剧,配口型一直是最费事的环节。每种语言的具体结果我就不转述了,可以去看原帖。
在 Reddit 的可灵板块看到一个测试:同一张厨师端着意面的图,用 Kling 4.0 图生视频跑了五种语言,每条 6 秒、720p,提示词只换语言和台词,然后把每条视频过一遍语音转文字,看念出来的和写的对不对得上。发帖的人说,每次可灵发布都写口型支持 9 种语言,所以他挑了五种来验。我关心的是这类测试的做法:用转写去核对,比肉眼看口型靠谱。我自己做多语种的出海短剧,配口型一直是最费事的环节。每种语言的具体结果我就不转述了,可以去看原帖。
这个方法的局限先说明:语音转文字本身有错误率,不同语言的识别质量不一,转写对不上,不一定全是生成的问题。再者只有一张脸、一句话,样本很小,只能当参考。转写只验了发音,口型和画面是否同步是另一件事,帖子有没有另外看,我不确定。
错过末班车以后:奇幻动漫短片怎样分三次打开新世界
餐厅点菜点不下去,服务员每次都要插一条广告
僵尸都到车行了,销售还在认真介绍后座空间
四个人都坐在桌边,相亲对象却认错了:白花的方向怎样改写一场戏