如何用上传的音频让照片说话 — 由页面所示素材直接生成的原始结果

未经剪辑的结果保留了 MP3 的语速与停顿。这正是它与文字工作流的核心区别：表演先在录音或音频编辑阶段确定，之后图片再去匹配声音。