从 Mirelo SFX 2.0 看 AI 视频音效的新变化：定位、能力与边界

引言：为什么这个产品值得关注

你用 AI 生成了一段 8 秒镜头。画面很满意，构图、光线、运镜都对。但模型顺手给它配了一段没人要的电子乐，节奏还和画面打架。

你想去掉这段音乐。办法只有一个：重新生成，抽卡，希望这次它别自作主张。

另一条路是反过来的：你手上有画面干净的素材，需要往上加声音。开门、脚步、雨落在铁皮棚上、远处一辆车驶过。这事传统上叫拟音（Foley），在专业流程里要一个拟音师加一堆道具，在业余流程里则是音效库里翻两小时、拖进时间线、一帧一帧对。

Mirelo SFX 2.0 在 2026 年 10 月 14 日发布，针对的就是这两种处境。它做的事可以用一句话说清：改一条视频的声音，不动它的画面。

这句话听起来平常，但它绕开了一个结构性麻烦——当视频和音频是同一次生成出来的，你就没法只改其中一半。Mirelo 的做法是把声音变成一个可以事后处理的层，而不是视频的附属品。

本文回答三个问题：它解决了什么问题、技术上怎么做到的、今天值不值得你花时间去试。

---

一、产品定位：它到底是什么，不是什么

一句话：它是一个视频到声音（video-to-sound） 的模型，输入画面，输出与画面对齐的音效、拟音和环境声，并且可以在保留对白的前提下，把原有的音乐和杂音换掉。

1.1 基本档案

项目	内容
发布方	Mirelo AI
发布时间	2026-10-14（官方博客）
版本关系	2.0 是重大版本迭代。前代 1.5 在 2026 年 8 月与 Mirelo Studio 一同上线，主打"同步"与速度；2.0 主打"换声音不重生成画面"
交付形态	网页工作室（Studio）、Playground、REST API、MCP、Premiere Pro 与 DaVinci Resolve 插件
第三方渠道	Runway、fal.ai 已上线；Roblox 插件标注即将推出
单次时长上限	Studio 与 API 均支持最长 10 分钟；更长的走企业版
输出规格	48kHz 单声道；格式可选 wav / flac / mp3（多档码率）
许可	闭源商业服务；fal 页面标注 Commercial use（可商用）

1.2 三件容易被混淆的事

它不是音乐生成器。 Mirelo 有单独的 Music 1.0 模型。SFX 2.0 做的是效果声、拟音和环境声。官方在博客里明确说了一件反直觉的事：它甚至会主动去掉模型塞进来的音乐，把选音乐这件事留给用户。

它不只是"文生音效"。 文本生音效（text-to-sound）是同一个模型家族的另一个变体，用提示词描述声音。SFX 2.0 的主线是视频生音效，画面本身就是提示词。这个区别是它全部价值的来源，第四章展开。

它不是配音或换声。 它保留原有的对白，不做音色替换。想改人声是另一条产品线（Voice Isolation）。这条边界很重要，下面会讲到它带来的限制。

1.3 门槛与费用

三层：免费档能真用，但有两处硬限制；订阅从 €20 起；API 按秒计费。

档位	价格	含积分	约合 SFX 2.0 时长	关键限制
Free	€0 / 月	5,000	约 8 分钟	3 个项目，项目 1 周后删除，导出带水印
Creator	€20 / 月	24,000	约 40 分钟	20 个项目
Studio	€99 / 月	120,000	约 200 分钟	项目数不限
Scale	€299 / 月	420,000	约 700 分钟	项目数不限
Business	€999 / 月	1,440,000	约 2,400 分钟	项目数不限
Enterprise	议价	定制	不限时长	需联系销售

折算下来，1 分钟音效大约 600 积分，订阅价约合每分钟 €0.42–0.50（Studio 档 200 分钟 / €99，Scale 档 700 分钟 / €299）。按 €1 约合人民币 8 元粗算，大约是每分钟 3.5–4 元〔按公开汇率粗算，非官方口径〕。

三条对预算有实际影响的细节：

1. 免费档的导出带水印，且项目一周后自动删除。拿它做正式交付不行，做效果评估可以。
2. 超额积分单独计价：Free 档 €1.20 / 1000 积分，Creator 与 Studio €0.90，Scale €0.80，Business €0.75。档位越高，超额越便宜。
3. 2.0 目前是折扣价，有截止日期。 定价页写"折扣至 2026-12-12"，fal.ai 的模型页写"促销至 12 月 13 日，12 月 14 日恢复原价"。两处日期对不上，以你实际下单时看到的为准。

---

二、核心能力拆解：它提供了哪些关键能力

五个能力，前三个是"做得到"，后两个是"做得省事"。

能力一：看着画面生成音效

解决什么问题：文字生音效的模型听不见画面，你不知道它给的动作配了什么声。视频生音效直接读画面，声音落在动作发生的那一帧上。

具体表现：官方强调它读的是可见的动作、节奏和环境，所以同一段动作在公园里和在教堂里的混响不一样。这是"听起来像真的"和"听起来像素材拼的"的分界线。

代价：时长越长，一次生成越贵；超过 10 分钟要走企业版。

能力二：保留对白，去掉不要的声音

解决什么问题：视频模型有时会自作主张加背景音乐或环境声。重新生成等于抽卡，还烧额度；直接静音又把对白一起干掉了。

具体表现：模型会检测出片中的人声，把它保留下来，然后在它周围生成新的音效和环境声，并处理音量让位（官方举的例子是 ducking，即说话时压低背景音）。

代价：它保留的是原有的对白，不是重写对白。想让 AI 换一种说法，这条产品线做不到。

能力三：跨剪辑保持声音一致

解决什么问题：分段生成的视频拼在一起，每段自带一套环境声。同一个房间的两个机位，声音像两个地方。

具体表现：它按"整条片子"生成，而不是按片段。官方的说法是生成一条贯穿全片的音轨。

能力四：整片一次过，不用切段

解决什么问题：多数音频生成工具只支持很短的长度，处理一条成片要切成几十段、逐段生成、再拼回去——拼接处必然有断层。

具体表现：Studio 和 API 一次支持 10 分钟。API 侧的 duration_ms 上限是 600000 毫秒，也就是 10 分钟，实测边界与宣传一致。

能力五：三种用法，取决于你要什么

官方把同一个模型拆成三个变体，这个拆分挺实用：

变体	用来做什么	状态
video-to-sound	默认。看画面生成一整条连贯音轨，绕开已有对白	已上线
text-to-sound	不需要跟画面同步时（比如铺底环境声），或用文字描述画外的声音	已上线
stem	一次只生成一种声音，用来在已有音轨上补一条缺失的音效	标注即将推出

能力与场景对应表

能力	解决什么问题	谁最需要	门槛
看画面生音效	声音对不上动作，手动对轨费时	短片创作者、广告团队	低
保对白去杂音	模型自带音乐，去不掉又不舍得重生成	口播、访谈、剧情类创作者	低
跨剪辑一致	拼接后环境声跳变	多机位、多段拼接的片子	低
整片一次过	长片要切段处理，接缝明显	5 分钟以上的成片	低
三变体选择	不同任务需要不同粒度的控制	后期与开发者	中

---

三、典型应用场景：谁在什么条件下用它解决什么问题

这一章只写三个真实处境，每个都带前置条件和失效边界。

3.1 场景地图

按使用者拆：AI 短片创作者是主场，因为他们最常遇到"画面满意但声音废了"的情况。视频 Agent 开发者是第二主场，官方在博客里专门用一段讲这个群体。广告与电商短视频团队是第三类，需求明确、量大、容错低。传统影视后期是"也能用"，但他们的流程标准和审片要求目前不是这个工具的目标。

按用途拆：换声音（去掉不要的音乐、保留口播）是主场；补音效（给静音素材加声音）是主场；做音乐是"也能做但不该找它"；配音是明确不做。

按形态拆：网页直接用是主场；插件进 Premiere / DaVinci 是主场延伸；API 接进自动化管线是官方重点推的方向。

3.2 场景一：AI 短片创作者，成片后再处理声音

谁在用：用 Veo、Seedance、Kling 这类模型做短片的人，一个人负责全流程。

触发条件：几条镜头都生成好、剪完、拼成一条了，发现声音一团糟——有几段自带音乐，节奏还各不相同；有几个镜头干脆没声音。

痛点：重新生成视频意味着抽卡，之前满意的表演和运镜可能全废。手动配音效的话，一条两分钟的片子要花掉整个晚上。

产品介入点：整片上传 → 保留对白、去掉原有音乐 → 生成贯穿全片的音效与环境声。

前置依赖：网页版就能用，会拖文件就行。免费档可以先听效果，但导出有水印。

产出与收益：一条在声音上连贯的片子。省下的主要是对轨时间，那通常是这类创作者最大的时间黑洞。

边界与风险：超过 10 分钟要谈企业版；对白分离的效果取决于原始音频的干净程度，官方没有给出"重叠人声""多人同时说话"的处理说明，这类素材建议先小样试。

3.3 场景二：视频 Agent 与自动化管线

谁在用：做视频生成产品、或搭自动化视频流水线的开发者。

触发条件：Agent 自动生成并拼接多个片段，交付给用户时发现每条片段的音频各说各话，还夹着模型自带的音乐。

痛点：没有人工介入的情况下，没人能去逐段剪音频。而用户看到的第一反应是"这声音不对"。

产品介入点：把拼接完成的成片送进 API，拿回一条统一音轨，再由 Agent 或用户自己叠音乐。

前置依赖：需要 API Key；素材要能被公网 GET 到，或者先上传成资产（上传后 24 小时内有效）；单文件大小受上传票里的 max_bytes 限制，示例值约 2.4 GB，超过就要自建 URL。

产出与收益：交付物从"画面能看、声音不行"变成"可以直接用"。官方在博客里把这个说成 2.0 对 Agent 生态的主要价值，这个判断我认同。

边界与风险：价格按时长线性走，量一大就是硬成本；API 不支持幂等之外的补救手段，失败要自己重试；asset 上传 24 小时后失效，跨天重跑要重新上传。

3.4 场景三：广告与电商短视频，换掉不合适的音乐

谁在用：做投放素材的团队，一周几十条的节奏。

触发条件：模型生成的片段自带一段音乐，和品牌调性冲突，但代言的真人出镜部分不能重拍。

痛点：整段重做成本高；只静音就没有了人物说话的临场感。

产品介入点：保留对白，去掉原有音乐，重新生成贴合画面的效果声；音乐另配。

前置依赖：需要注意商用条款。fal 页面标注支持商用，官网条款需自行确认；另外国内团队的支付方式（走 Stripe）与访问稳定性要提前验证。

产出与收益：一次处理就能保住素材，不必为了一段背景音乐废弃整条片子。

边界与风险：它不生成音乐，所以"换成什么音乐"这件事仍要你自己解决；品牌对声音有严格规范时，参考音轨的挑选不可省。

3.5 场景成熟度分级

成熟度	内容	今天能不能做
开箱即用	网页拖入视频，生成、试听、下载	能，注册即可
需要一点配置	接 API、装 Premiere / DaVinci 插件、MCP 接入	能，但要看文档调参数
仅概念验证	单条 stem 分层生成（官方标注即将推出）	官方已公布，尚未上线
不建议使用	想用它做音乐、做配音、做超 10 分钟的成片	定位不匹配或需走企业版

3.6 不适用或需谨慎的场景

想给视频配乐。 它主动去音乐，不生产音乐。用错了会觉得"这工具怎么不出旋律"。

要求每个声源独立可控的专业混音。 分层（stem）功能还没上线，现在拿到的是混合好的一条音轨。专业后期要分轨操作时，会不顺手。

需要严格声音设计规范的商业片。 音效的审美判断仍需人来做。把它当成"初稿生成器"是合理的，当成"终稿"就危险。

3.7 场景适配表

场景	适合谁	触发条件	用到的能力	需要什么准备	成熟度	主要风险
AI 短片后期配音	个人创作者	成片后声音不可用	保对白、整片一次过	注册账号；付费档去水印	开箱即用	复杂对白场景需试听
Agent 自动过音	视频产品开发者	多片段拼接后音频不一致	API、跨剪辑一致	API Key、可公网访问的素材	需要配置	成本随时长线性上升
投放素材救回	广告电商团队	自带音乐与品牌冲突	去音乐保口播	商用条款确认、支付方式	开箱即用	音乐仍需另配
影视分轨混音	后期团队	需要分轨	stem（未上线）	无	仅概念验证	目前只能拿混合音轨
纯音乐创作	所有人	要旋律	无	无	不建议	用错工具

---