ጽሑፉን ወደ ንግግር ለውጥ መተላለፊያ ሙዚቃ ወደ ጽሑፍ የድምፅ ክሎኒንግ የድምፅ ዲዛይን ገበያ ተጨማሪ
የችግር / የችሎታ ጥያቄ አቅርብ

AI Lip Sync ቪዲዮ ማምረቻ

የፊት ፎቶ እና የድምፅ ክሊፕን በምላስ synchronization, የራስ ፎቶ እና ብልጭታ ጋር ወደሚናገሩ-አእምሮ ቪዲዮ ይለውጡ. በወቅቱ የማይገኝ ሲሆን የሊስንስ ሊያገኘው የሚችል ሞዴል ፈልግ

ነጻ
አሁንም በቋንቋህ ላይ የቲቲኤስ ድምፆች የለንም። የራስህን ጨምርልን! ድምፅዎን ይሸጡ
የፊንጢጣ synchronization አሁን አልተገኘም. SadTalker ሞዴል ያገለገለው በባሴል ፊንጢጣ ሞዴል ላይ ተምሯል, ይህ ለነፃ ምርምር ብቻ ነው ተቀባይነት ያለው, ስለዚህ እኛ በተቀመጠው አገልግሎት ላይ አቅረብ አንችልም. ምንም ተቀባይነት ያለው ተቀባይነት የለም አሁን ተጭኗል.

ድምፅ

ፊደል(ሎች)

ፋይሉን እዚህ አስቀምጥ፣ ወይም አሳይ

JPG, PNG, or short MP4/WebM. Max 10MB. One clear, well-lit face works best.

ፋይል.mp3

0 MB

ፋይሉን እዚህ አስቀምጥ፣ ወይም አሳይ

MP3, WAV, M4A, or FLAC. Max 10MB. Free: up to 30 sec. Pro: up to 5 min.

ፋይል.mp3

0 MB

ቪዲዮዎን በመስጠት ላይ ይህ በብዛት ከ30 ሰከንዶች እስከ 2 ደቂቃዎች ይወስዳል

የቪዲዮ ፋይል

ያውርዱ

ስለ SadTalker

SadTalker (CVPR 2023, Tencent ARC) የግል ፊቱን ምስል ማንኛውንም ድምፅ ለመናገር የሚያንቀሳቅስ የክፈት ምንጭ የንግግር-አፍ ሞዴል ነው. Wav2Lip ልዩነቶች በተቃራኒው፣ SadTalker የራስን ፎቶግራፍ፣ ብልጭታዎችን እና የበለጠ ተፈጥሯዊ ውጤት ለማግኘት መግለጫዎችንም ያንቀሳቅሳል.

የሳድቶክተር ኮድ አፓቺ-2.0 ነው፣ ግን የ3ዲ ፊቱን መልሶ መገንባት ክብደቶች በባሴል ፊቱን ሞዴል ላይ ተምረዋል፣ የዚህ ውል የሌላውን የቢዝነስ ጥናት ብቻ ይፈቅዳል. TTS.ai የቢዝነስ አገልግሎት ነው፣ ስለዚህም መሳሪያው በሴፕቴምበር 15፣ 2026 ተዘጋ።

ምርጥ ውጤቶች

  • ከፍተኛ ጥራት ያለው፣ በደንብ የተቀረጸ ፎቶግራፍ ይጠቀሙ - ዓይኖች ይታያሉ፣ አፍም ይከፈታል
  • መካከለኛ ፊት፣ ስድስት ማዕዘን ወይም 4:5 የቅርጽ መጠን በጣም ጥሩ ነው
  • የንግግር ድምፅ (ሙዚቃ የለም) ቀጥ ያለ የምላስ synchronization ይሰጣል
  • GFPGANን ለታጋይ ፎቶዎች አስጀምር - የቀረጻ ጊዜን ያድጋል ግን ዝርዝሮችን ያጠናክራል
  • የቀድሞው ፎቶ

የቪዲዮ ፋይል

ነጻ ይጀምሩ፣ የበለጠ ያስፈልግዎት ከሆነ ያሻሽሉ

ነጻ
  • 30 ሰከንዶች
  • 256 ፒክስል ውጤት
  • "Still" ብቻ
  • የፊቱን ማሳደግ የለም
በጣም ተወዳጅ
ነጻ
  • 30 ሰከንዶች
  • "ሙሉ" እና "አልተስተካከለ" ቅድመ-ሰሌዳዎች
  • ፋይል (_F)
  • የGFPGAN ፊት ማሻሻያ
ነጻ
ለ
  • የድምፅ መጠን
  • የGPU ፋይል
  • API መዳረሻ (ብዙ ክፍል መላክ)
  • የዌብሆክ ማጠናቀቂያ መላላኪያ
  • በወቅቱ የማይገኝ (የኮሜርስ ያልሆነ ሞዴል ውል)
ደረጃ አሰጣጥ

ብዙ ጊዜ የሚጠየቁ ጥያቄዎች

የፊት ፎቶ እና የድምፅ ክሊፕን አጫውት፣ AI ደግሞ የዚያን ፊት ቪዲዮን በምላስ እንቅስቃሴዎች፣ በራስ ቅርፅ እና በጥላቻዎች ድምፅን የሚናገሩ ያደርጋል። መሳሪያው አሁን ላይ የማይገኝ ነው፡ SadTalker (CVPR 2023)ን ይጫወታል፣ የ3D ፊት መፈጠሪያ ክብደቶች በባሴል ፊሽ ሞዴል ላይ ተስተካክለዋል፣ ይህም ለነጋዴ ያልሆኑ ጥናቶች ብቻ ነው የተፈቀደው።

የፊት ፋይሉ JPG ወይም PNG ምስል (10 ሜባ ድረስ) ወይም የ MP4/WebM ቪዲዮ ሊሆን ይችላል (መጀመሪያው ፍሬም ይጠቀማል)። የድምፅ ፋይሉ MP3, WAV, M4A ወይም FLAC እስከ 10 ሜባ ድረስ ሊሆን ይችላል። ድምፅን ወደ 16 kHz በውስጥ እንመልሳለን።

ነጻ መዝገቦች: እስከ 30 ሰከንዶች ለክሊፕ. የሚከፍሉ ተጠቃሚዎች: እስከ 5 ደቂቃዎች ለጠየቅ. ረጅም ድምፅ ማለት ረጅም ጊዜ እና ከፍተኛ የፊደል ዋጋን ያመለክታል።

የሊፕ ሲንክ ቪዲዮ በአንድ ሰከንድ ውስጥ 1,000 አርእስቶችን ይጠቀማል። 30 ሰከንድ ያለው ክሊፕ = 30,000 አርእስቶች። ዋጋው ከፊቱ ከፊተኞቹ ተጨማሪ ካርታዎች ጋር ይቆጠራል። መፍጠር ቢሳካም በራሱ ይመለሳል።

አይደለም። መሣሪያው ሞዴል ውል ስላስፈቀደው ተዘግቷል። ሳድቶክተር ኮድ አፓቺ-2.0 ነው፣ ግን የፊት መቀየሪያ ኔትወርኩ በባሴል ፊንፊኔ ሞዴል 2009 ላይ ተዘጋጅቷል፣ የውስጥ፣ የግል ምርምር ብቻ ነው የሚፈቀደው። ከሴፕቴምበር 15, 2026 በፊት የተፈጠሩ ቪዲዮዎች ለግል ጥቅም አይደሉም፣ የተከፈለባቸው ፕሮግራሞችም ይገኙበታል። ለፊት ምስል እና ለድምፅ ምንጭ መብቶች ላስቀመጥክ ተጠያቂ ነህ።

መሳሪያው በተነሳ ጊዜ፣ የ5 ሰከንድ ክሊፕ በ30 ሰከንድ ውስጥ ይወሰዳል፣ ከድምፅ ርዝመት ጋር በቀጥታ ይጨምራል። አሁን የማይገኝ ሲሆን የሊስንስ ውል የሚፈቅደው የንግግር-አእምሮ ሞዴል ፈልገን እንገኛለን።

የሙሉ ቅድመ-ሁኔታ (የተለመደው) የራስን አቋም፣ መታጠፍ፣ እና ምላሽ ከሳንባዎች ጋር አንቀሳቅሷል፣ የበለጠ ተፈጥሯዊ የንግግር-ራስ ቪዲዮን ያወጣል። ገና ቅድመ-ሁኔታ ራስን በቦታው ያስተካክላል እና አፍንጫውን ብቻ አንቀሳቅሷል - ቀጥ ያለ የአዋታር ፎቶ ሲያሻሽሉ ጥቅም ላይ ይውላል።

GFPGAN ከማሳየት በኋላ የፊት ዝርዝሮችን የሚያጠናክር የፊት መመለሻ ሞዴል ነው። አይቀርብም: StyleGAN2 ቀድሞውኑ በNVIDIA ያልተሸጠ ፈቃድ ስር ነው እና የፊት ማጣሪያ ሞዴሉ CC BY-NC-SA ነው

SadTalker በ 256 ፒክስል በቅድመ-አመጣጥ ይታያል፣ 512 ፒክስል እንደ ዝቅተኛ ምርጫ ነው። መሣሪያው አሁን አልተገኘም፤ በደንብ የተበራከተ፣ ከፍተኛ ጥራት ያለው ምስል በየትኛውም የንግግር-አእምሮ ሞዴል ምርጥ ውጤት ይሰጣል

አዎ. MP4 ወይም WebM እንደ ፊት ፋይል ጫን እና የመጀመሪያውን ፍሬም እንደ መነሻ ፋይል እንጠቀማለን. ለሙሉ የቪዲዮ መተካት (የፍሬም ምላሽ) የሚመጣውን የዱቢንግ ስቱዲዮ ቪዲዮ መተካት ተመልከት.

አዎ. በፊቱና በድምፅ መስኮቶች /api/v1/lipsync/ ወደሚለው የብዙ ክፍል ጥያቄ POST አድርግ፣ ከዚያም /api/v1/lipsync/result/?uuid=ን እስከ "ተሟላ" ድረስ ጠይቅ። መልሱ ወደ ተለጠፈው MP4 URL ይ containsል። API ለመድረስ የተከፈለ ዕቅድ ያስፈልጋል።

SadTalker በጣም የሚታወቀውን ፊት ለመለየትና ለመቆረጥ የፊት አቀማመጥን ይጠቀማል። ለተሻለ ውጤት፣ አንድ ሰው በምስራቅ፣ ዓይኖች የሚታዩ፣ እና ጥቂት ቅርጽ ያለው ፎቶግራፍ ይጫኑ። የቡድን ፎቶዎች የማይጠበቁ ውጤቶችን ሊያስገኙ ይችላሉ።
5.0/5 (1)

ምን ማሻሻል እንችላለን? አስተያየቶችዎ ችግሮችን ለመፍታት ይረዳሉ.

ለመጀመር ዝግጁ ነዎት?

ነጻ ለመመዝገብ እና 50 ክሬዲቶች ማግኘት. ምንም ክሬዲት ካርድ ያስፈልጋል.

ነጻ ማሳየት