上传「视频 + 音频」后点击「开始生成」
结果将显示在这里

填写描述后点击「生成图片」
单张约需 1–2 分钟

上传图片后点击「生成 3D 模型」
约需 1–3 分钟，可在网页里拖动旋转查看

上传「参考音频 + 参考图片」并填写文字后，点击生成。
流程：克隆音色 → 合成语音 → 生成会说话的视频（约需 1–3 分钟）