悟空AI音效：打字就能生成影片音效，底層是開源 MMAudio 模型

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

悟空AI音效（wukong.ttson.cn）是一個簡體中文介面的 AI 音效生成網站：輸入一段文字描述或一段影片，它生成可以搭配創作的音效，站方把它定位在影片配音、遊戲音效、動畫製作這些場景。先把結論講完：這個站實際跑的模型，是伊利諾大學香檳分校與 Sony 研究團隊公開的開源專案 MMAudio，論文發表在 CVPR 2025、程式碼採 MIT 授權，模型權重則以禁止商業使用的條款釋出；悟空AI音效做的部分，主要是把模型包上中文介面，再套一層積分制收款。免費額度是登入後 5 次，之後站方字串寫的計價是文字生成每次 20 點積分、其他生成方式每次 30 點，永久會員一次收 98 元人民幣。對台灣讀者來說，還有兩道排在價格前面的牆：這個站直連多半連不上，而註冊的主要表單要 11 碼的中國手機號。

先說結論：免費嘗試只有五次，模型本尊另有免費管道

把整體判斷濃縮起來，就是三件事。

身分要先講清楚。悟空AI音效不是詐騙站，也沒有宣稱自己研發了模型；它的站點描述直接寫明「依託 MMAudio 多模態技術」。MMAudio 的程式碼以 MIT 授權公開，模型權重卻是另一回事：官方以禁止商業使用的 CC-BY-NC 4.0 條款釋出權重，README 還明言不保證模型適合商業用途。把這樣的權重包成收費服務是否牴觸非商業條款，站方沒有交代；98 元的定價倒是公開寫在自己的會員頁上，沒有藏費用。合法性是一個還沒有答案的疑問，值不值得付的問題排在它後面。

「免費」的份量則輕得多。登入後 5 次是全部的免費額度，用完就走積分制，而積分的增加管道，前端程式碼裡有兩組互相矛盾的寫法：免費用戶特權列的是分享一次加 1 點、邀請註冊加 5 點，積分說明卻寫分享作品得 10 點、邀請好友註冊得 20 點。同一個動作兩組數字，實際結算看哪一邊，不註冊無法確認。對只想試水溫的人，5 次很快會用完；對不想拉人也不想分享的人，這樣的免費額度形同沒有。

至於替代品，MMAudio 的官方 GitHub 文件列出三條免費試用管道：HuggingFace 示範頁、Colab 筆記本，以及一個 Replicate 版本。同一個模型、同樣的輸入輸出，不花一毛錢就能聽到效果。所以真正值得想的問題從來不是「悟空AI音效好不好用」，而是「中文化介面加提示詞優化，對你個人值 98 元人民幣嗎」。

計費規則全寫在前端程式碼裡，不用註冊也看得一清二楚

有意思的地方在於，這個站的商業規則完全不需要註冊就能看清。我把它打包後的 JavaScript 檔案抓下來直接讀，計費相關的字串一應俱全：免費用戶特權寫的是「登入後5次使用」「分享一次 +1」「邀請註冊 +5」；積分說明寫「文字生成：20積分/次，其他生成：30積分/次」「分享作品獲得10積分獎勵」；會員方案則是一個「成為會員」視窗，價格「98元」搭配「永久會員」，特權列了「永久無限使用」「專屬客服支援」「優先更新功能」三項。

從同一份程式碼還讀得到兩個更關鍵的端點。收款走的是 pay.ttson.cn 的 10010 連接埠，一個自建的支付服務；生成請求走的後端，掛在 seetacloud.com 的網域底下，這是 AutoDL 算力平台的容器位址。換句話說，它的推論算力是向 GPU 雲租的，收款系統是自己的，模型是開源的，三件事拼起來，這比較像一個人或少數人就能撐起來的輕量服務，而非養了模型團隊的產品公司。這是我從程式碼端點做的推論，站方自己沒有公開說明營運規模。

有一個付費前該問的問題，程式碼裡找不到答案：98 元的永久會員與積分制之間的換算。前端寫清楚了每次生成扣多少積分，也寫清楚了會員價格，但「永久無限使用」與「積分每次扣」兩種計費並存，實際走向哪一邊、儲值一個金額能換多少積分，這些字串裡都沒有出現。這種資訊落差對照它的母站生態並不意外：ttson.cn 主站做的是文字轉語音，存檔頁面自述完全免費，實際計費結構無法從這份存檔確認。付錢之前，至少先在站上找到現行的積分說明頁，確認你買到的額度怎麼算，因為這些數字隨時可能調整，而我讀到的只是前端程式碼裡的靜態字串。

站上倒是有幾個包裝層功能值得記下：介面路由分成生成、分享音效庫、個人頁三區，程式碼裡還有示範案例庫與音效分類的資料端點，等於站方預先整理了一批範例讓新使用者參考。分享音效庫的設計對應前面的積分規則：把作品丟上去一次加 1 點，既是社群功能，也是讓免費額度「看起來有救」的留客設計。

註冊的第一道門是 11 碼中國手機號

註冊表單的驗證字串同樣寫在前端程式碼裡：手機號欄位要求「請輸入11位手機號」，配套的是簡訊驗證碼登入。台灣的手機號是 09 開頭共 10 碼，過不了這條檢查，按鈕畫面上另有 GitHub、Google、微信三條第三方登入的路，但我讀到的存檔版本程式碼裡，三個登入函式都先檢查建置參數，參數是空值就直接跳「功能暫未配置」的提示（字串裡寫了首次第三方登入會自動建立帳號，但功能本體在這份建置裡沒有接上）。也就是說，在這份 2026 年 4 月的程式碼裡，第三方登入沒有一條真正接上，中國手機號是唯一實際可用的註冊路；現在接好了沒，站點連不上，無法確認。

順著網域往上摸，wukong 是 ttson.cn 的子網域，主站名為「海豚Ai」，做的是多語言文字轉語音工具，主打 160 種以上配音與有聲書合成。整個網域底下看不到公司名稱，頁面與程式碼裡都找不到 ICP 備案號，對外聯絡管道是微信群。這些訊號放在一起看，它就是一個以簡體中文使用者為對象的個人系工具站，沒有對外揭露的營運主體。

模型本尊另有出處：UIUC 與 Sony 的公開論文 MMAudio

被包裝的模型本尊，來頭不小。MMAudio 由伊利諾大學香檳分校的 Ho Kei Cheng，與 Sony AI、Sony Group 的研究者共同開發，論文標題為「Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis」，2025 年發表在電腦視覺領域的頂級會議 CVPR。專案在 GitHub 上累積 2,267 個星標與 268 次 fork，程式碼採 MIT 授權，模型權重以 CC-BY-NC 4.0 非商業條款另外釋出。

用一句話講它的能力：給它一段影片或一段文字描述，它生成與畫面同步的音訊，做法上靠多模態聯合訓練，同時吃進影音配對資料與帶文字描述的音訊資料，再用一個同步模組讓聲音對得上畫面的時間軸。多數同類模型只吃得到影音配對資料，量少而且場景偏窄；MMAudio 把大量帶文字描述的音訊資料也一起拿來訓練，這是論文的主要貢獻，也是它生成的音效在素材多樣性上站得住腳的原因。

Pin

官方的免費示範頁就架在 HuggingFace 上，用 Gradio 介面，累積了近千個讚。介面分成影片轉音效與文字轉音效兩個分頁，欄位有輸入區、提示詞、反面提示詞、亂數種子與幾個取樣參數，輸出面板放在另一側，對第一次接觸的人也算好懂。

Pin

對實際使用更有價值的，是官方 README 與示範頁明寫的工程邊界，條列如下。

• 模型以 8 秒長度訓練，示範頁的建議輸入是 5 到 12 秒，偏離太多品質會下降。所以別期待一次生成一分鐘的環境音，長片段要自己分段再接。
• 圖片轉音效屬於實驗性功能，原理是把同一張圖複製成一串連續畫面，再交給影片管線處理，官方明言這不是模型訓練過的任務。
• 輸出的音訊檔是 flac 無損格式；示範頁的影片分頁還預設在反面提示詞欄填上 music，用來壓掉不想出現的音樂成分。

這些邊界不會因為換了一層包裝就消失。悟空AI音效跑的是同一個模型，8 秒的訓練時長、圖片輸入的實驗性質，照樣適用。

和官方免費管道比，98 元買的是中文化與順手

拿悟空AI音效與官方免費管道並排放，差異集中在費用、語言與帳號三件事上。

從它前端的介面路徑看，包裝層自加的功能確實不少：生成端點之外，還有提示詞優化、示範案例庫、音效分類、作品分享幾個服務。提示詞優化對不擅長寫英文音效描述的人有實質幫助，分享音效庫則讓站上有社群沉澱的空間，這些是 98 元真正買到的東西；如果你本來就能寫英文提示詞、也不在意排隊，官方示範頁的免費額度夠你把模型摸熟。

付費結構還有一層值得想：98 元是「一次買斷永久用」，而 GitHub 文件列的 Replicate 版本走的是按次計費的 API 模式，用多少付多少，不用預先掏一筆錢。對一個月只生成十幾次的人，按次計費通常比買斷便宜；但買斷的誘惑在於心裡踏實，這也是這類包裝站常見的定價心理。真正的風險是永久會員綁在單一網站上，站點規模小、營運主體不透明，一旦站收掉，永久兩個字就跟著失效，這筆帳在付款前值得算一下。

台灣讀者的兩道牆：連線與手機註冊

我在 2026 年 9 月下旬從台灣的網路環境直連 wukong.ttson.cn 測了兩次，兩次都在 12 秒後連線逾時，對主機的 ping 也完全沒有回應。這個結果不能推論站已經關閉：網際網路檔案館在 2026 年 4 月 8 日存有這個站的完整頁面，計費文案與今天讀到的程式碼一致，合理的解釋是它對境外連線路徑不穩，或對非中國大陸流量做了限制，實際能不能連上，以你連線當下的情況為準。

把連線問題和 11 碼手機號的註冊門檻疊在一起，你的現實處境是：就算連上了，註冊主路卡在中國手機號，存檔版本裡第三方登入也沒有一條接上；連不上，則連頁面都看不到。兩道牆都在付費討論之前，這也是我把官方免費管道列為首選的原因。

想生成音效的人，下一步怎麼走

依情境分流最省時間。

只想先聽聽 AI 音效生成的水準：直接開 MMAudio 的 HuggingFace 示範頁，免費、免安裝，把 thunderstorm with heavy rain 這類英文描述貼進提示欄就有結果，聽完再決定要不要為介面付費。寫提示詞有個實用原則可以從示範頁的欄位設計反推：先寫現象、再寫材質與環境。與其丟一個「熱鬧的街道」，不如拆成 street traffic with car horns and footsteps on wet pavement，讓模型知道要出現哪些聲音層；示範頁的影片分頁會預設在反面提示詞欄填上 music 來壓掉亂入的背景音樂；切到純文字分頁時這個欄位預設是空的，記得自己補上。

簡體中文環境順手、需要批量生成、不介意一次付 98 元人民幣：悟空AI音效的中文介面與提示詞優化確實省事，但先確認你連得上、登得了，再談付費。

需求是完整音樂或語音處理：音效、音樂、語音是三條不同的工具線。要整首歌可以看 DiffRhythm 全長歌曲生成的實測；用 AI 產出影片後要補畫質，可以搭 Video2X 開源放大工具；演講或訪談要逐字稿，Parakeet 語音轉文字模型 是本地跑得動的選擇；若是想找現成音效而不是自己生成，小森平的免費音效素材庫提供了不用碰 AI 模型的另一條路。先挑對線，再挑工具，比在一個積分制包裝站裡糾結額度來得省事。