媒体处理工具箱

视频转换 · 剪辑 · 截图 · 水印 · TTS · 字幕 · 文案提取，一站式处理

转换

剪辑

画面

音频

AI 智能

格式转换将视频转换为任意格式，支持多种编码和质量设置

点击或拖拽上传视频支持 MP4 / AVI / MOV / MKV / WEBM / FLV

目标格式

视频质量

点击或拖拽上传视频支持常见视频格式

输出格式

码率

点击或拖拽上传视频支持常见视频格式

开始时间 (秒)

结束时间 (秒)

点击或拖拽上传视频支持常见视频格式

截图时间 (秒)

输出格式

点击或拖拽上传视频支持常见视频格式

水印文字

位置

点击或拖拽上传多个视频按上传顺序合并，支持常见视频格式

输入要转换的文字（最多5000字） 0 / 5000 不同厂商的情绪/停顿支持不同，请在下方选择厂商后查看对应说明。

语音角色

语速

音调

MiniMax 音色（官方253种，按语言分组）

模型版本

语言 (language_boost 40种)

语速 (0.5-2.0)

音量 (0-10)

音调 (-12~12)

情绪 (emotion)

上传音频克隆自定义音色（10秒-5分钟，mp3/m4a/wav，≤20MB）

音色名称（自定义）

降噪

音量归一化

音频文件

上传一段 10 秒到 5 分钟的纯净人声音频，系统会复刻该音色。复刻后 7 天内必须使用一次（合成语音），否则音色会被自动清理。

点击在文字中插入语气词（会真实合成对应声音）

在文本任意位置插入语气词标签（如「今天好开心 (laughs) 我们出去玩」），合成时会真实生成对应声音；点击按钮即在文字框光标处插入。

点击在文字中插入停顿

在文本任意位置插入停顿标记（如「大家好<#1.0#>欢迎收听」），合成时会真实生成对应时长的静音。

MiniMax 提供 40 种语言、253 种官方音色 + 自定义克隆音色；情绪通过上方下拉选择，停顿和语气词通过上方按钮快速插入。需在后台能力中心配置 MiniMax 密钥后可用。

阿里云音色（按方言分组，CosyVoice/Qwen3-TTS）

模型版本

语速 (0.5-2.0)

音量 (0-2.0)

音调 (-12~12)

阿里云百炼 TTS：默认 qwen3-tts-flash 模型（推荐），支持 8 种中国方言 + 多语种；如选 CosyVoice 系列模型需在后台能力中心额外配置「工作空间 ID」。完整可用音色请到阿里云百炼控制台「我的应用 - 语音合成」查询已授权音色。

讯飞发音人（按方言分组，v2 WebSocket）

语速 (0-2.0，映射0-100)

音量 (0-2.0，映射0-100)

音调 (-12~12)

科大讯飞在线语音合成：覆盖 13+ 种中国方言（粤语/四川话/东北话/河南话/湖南话/陕西话/上海话/天津话/台普/云南话/客家话等）。超拟人音色（x4/x5 系列）表现力强、支持情绪；基础版音色（vixm/vixr 等老版）较平实。完整音色请到讯飞控制台「在线语音合成 - 我的应用」查询已授权发音人。需在后台能力中心配置讯飞 AppID + APIKey + APISecret。

点击或拖拽上传视频自动提取视频中的语音文案（支持中/英/日/韩/粤语等）

识别语言

模型精度

粘贴视频分享链接

水印位置（备用方案）

点击或拖拽上传视频支持 MP4 / MOV / AVI / MKV / WEBM

输入字幕内容（一行一句，自动计时）每行一句话，系统自动按视频时长均匀分配时间戳

每条字幕显示时长

高级：使用 SRT 文件或格式

点击上传 .srt 字幕文件

或粘贴 SRT 内容

点击或拖拽上传视频压缩后减小文件体积

压缩质量 (CRF，越大体积越小)

最大宽度（0=不缩放）

点击或拖拽上传视频快放 / 慢放任意倍数

播放速度

点击或拖拽上传视频 90°/180°/270°/水平翻转/垂直翻转

旋转方式

点击或拖拽上传视频裁出指定比例的画面

目标比例

点击或拖拽上传视频将视频从尾到头倒序播放

点击或拖拽上传视频静音 / 降低音量 / 增加音量

音量：静音

静音原始2x3x

点击或拖拽上传图片支持 JPG / PNG / WebP — 自动修复右下角水印区域

手动指定水印区域（可选）

左上 X

左上 Y

右下 X

右下 Y