ℹ️ 选择长度3秒以上的WAV音频文件，尽量没有背景声音，录音质量越高，生成质量越高。 音频的文字内容对生成结果有很大影响，建议使用10秒左右的音频，自动转文字，并确认没有字符和标点错误。

ℹ️ 生成的长度按照音频长度计算

ℹ️ 用于控制生成视频的视觉质量与生成速度，默认值为20，推荐范围20-50，数值越高，生成的视觉质量越好，但相应地会延长生成时间

ℹ️ 用于调节嘴唇同步准确性的参数，其值越高，唇同步的准确性越好，但可能导致视频失真或抖动，默认值1.5，推荐范围为1.0-3.0