长文案口播视频生成

人物图 + 口播文案 + 音频（可选）= 口播视频

人物图（默认作为段的首尾帧；商品段会自动改用合成图，也可在下方逐段覆盖）

商品图（可选，选了才会合成「人物手持商品」图并替换商品段的帧）

商品名称 / 卖点（可选，用于识别哪一段在介绍该商品）口播文案音色参考音频（可选，不选则保留原音色）

高级设置

画面比例语速（字/秒）每段最长（秒）合并目标（秒）

待开始