SillyTavern 用户发现视频自拍生成能把提示词文本唱出来？

一位 SillyTavern 用户在玩 Vignette 的视频自拍功能时发现，在提示词里放入要说的文本，渲染后模型竟把文本唱了出来，还配上匹配的背景音乐，音准和节奏都保持一致。作者觉得有趣，但希望角色在浪漫音乐上别再唱歌，并在询问如何避免这种情况。