Текст към реч Агенти на интелигентната интелигентност Музика Изказване към текст Гласово клониране Гласов дизайн Пазарно място Още
Докладване на грешка / заявка за функция

AI Лип Синхронизира видео генератор

Обърнете снимка на лицето и аудио клип в разговор-глава видео с устна синхронизация, главата поза и мигане. В момента не е на разположение, докато търсим модел, чиято лиценз го позволява.

Запишете се безплатно
Все още нямаме ТТС гласове на вашия език. Помогнете ни да добавим вашия! Продажби на гласа си
Моделът SadTalker, който използваше, е обучен по Базел Face Model, който е лицензиран само за некоммерчески изследвания, така че не можем да го предложим на платена услуга.

Качване на лицето + аудио

1000 символа в секунда

Изтегляне и изтегляне на файла тук, или преглеждане

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

file. mp3

0 MB

Изтегляне и изтегляне на файла тук, или преглеждане

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

file. mp3

0 MB

Показване на вашето видео. Това обикновено отнема 30 секунди до 2 минути.

Твоето видео говорещо-главно видео

Сваляне MP4

За СадТалкър.

SadTalker (CVPR 2023, Tencent ARC) е модел за говорене с отворен източник, който анимира единичен образ на лицето, за да говори всеки аудио. За разлика от Wav2Lip варианти, SadTalker също анимира главата поза, мига и израз за по-естествен резултат.

Кодът на SadTalker е Apache-2.0, но 3D тегове на реконструкцията на лицето са обучени по Базелския модел на лицето, чиято лиценз позволява нетърговски изследвания. TTS.ai е търговска услуга, така че инструментът е изключен на 15 септември 2026.

Съвети за най-добри резултати

  • Използвайте висококачествен, добре осветен портрет — видими очи, затворени уста
  • Центърирано лице, квадрат или 4:5 съотношение аспект работи най-добре
  • Чиста реч аудио (без музика) дава по-тесна устна синхронизация
  • Включете GFPGAN за геройски изстрели — двойни излъчване на времето, но остри подробности
  • Използвайте все още настройки, когато искате стабилен изстрел от аватар

Лип Синхронизация видео планове

Стартиране безплатно, ъпгрейд, когато се нуждаете от повече

Безплатен
  • 30-секунда ограничение на звука
  • 256 px изход
  • Само "все още" настройки
  • Без повишаване на лицето
Най-популярното
Безплатна сметка
  • 30-секунда ограничение на звука
  • И "пълна" и "все още" настройки
  • 256 / 512 px изход
  • GFPGAN усилвател на лицето
Запишете се безплатно
Професионален
  • 5-минутно ограничение на звука
  • Приоритетна опашка на GPU
  • Достъп на API (многочастно качване)
  • Обратно обаждане за завършване на Webhook
  • В момента не е наличен (лицензас на нетърговски модел)
Надграждане

Често задавани въпроси

Включи снимка на лицето и аудио клип, и ВИ генерира видео на това лице говорейки аудио с движения на устните, позира глава и мигане. Инструментът в момента е недостъпен: той е изпълнил SadTalker (CVPR 2023), чиито 3D тегли на лицето реконструкция са обучени върху Basile Face Model, който е лицензиран само за некоммерчески изследвания.

Входът на лицето може да бъде JPG или PNG изображение (до 10 MB) или късо MP4/WebM видео за шофиране (ние използваме първата рамка). Водещият аудио може да бъде MP3, WAV, M4A или FLAC до 10 MB. Вътрешно пробваме звук до 16 kHz.

Безплатни сметки: до 30 секунди на клип. Плащане на потребители: до 5 минути на заявка. По-дълго аудио означава по-дълго време и по-високи разходи за характер.

Устната синхронизация видео използва 1000 символа на секунда от генерираното видео. 30-секунди клип = 30 000 символа. Цената се изчислява напред от вашия характерен баланс и се възстановява автоматично, ако генерирането се провали.

Не. Инструментът е изключен, защото моделът лиценз не го позволява. Кодът на SadTalker е Apache-2.0, но нейната спакована мрежа за реконструкция на лицето е обучено на Basel Face Model 2009, чийто лиценз позволява само вътрешни, некоммерчески изследвания. Видеота, генерирани с него преди 15 септември 2026 са не за търговска употреба, включени в платените планове. Вие сте отговорни за правото на източника лице изображение и аудио, което качвате.

Когато инструментът работи, 5 секунди клип отне около 30 секунди, скалиране приблизително линейно с аудио дължина. Понастоящем той е недостъпен, докато търсим разговор-глава модел, чийто лиценз го позволява.

Пълна преднастройка (по подразбиране) анимира главата поза, мигане и изразяване заедно с устните, произвеждайки по-естествено говорещо-главно видео. Все още настройка заключва главата на място и анимира само устата - полезен, когато искате стабилно изстрелване на аватар.

GFPGAN е модел за възстановяване на лицето, който е наострил данните за лицето след изработването. Тя не е предлагана: неговият стилGAN2 предварително е под НВИДИА некоммерчески лиценз и нейният модел за анализ на лицето е CC BY-NC-SA.

SadTalker, изработен при 256 px по подразбиране, с 512 px като по-бавна опция. В момента инструментът е недостъпен; добре осветен, висококачествено портрет дава най-добрия резултат с всеки разговор-глава модел.

Да. Качете MP4 или WebM като вход на лицето и ние ще използваме първата рамка като шофиране идентичност. За пълно видео преобработване (замяна на устата на рамка), вижте предстоящата Dubbing Studio видео тръбопровод.

Да. ПОСТ мултичастно искане до /api/v1/lipsync/ с лице и аудио полета, след това анкета /api/v1/lipsync/result/?uuid= докато статутът е "завършен". Отговорът съдържа URL към преработен MP4. API достъп изисква платен план.

За най-добрите резултати, качване портрет с едно лице, видими очи и минимална оклузия. Груповите снимки могат да дадат непредсказуеми резултати.
5.0/5 (1)

Какво можем да подобрим? Твоята обратна връзка ни помага да решим проблемите.

Готов ли си да започнеш?

Запишете се безплатно и получавате 15 000 символа. Няма нужда от кредитна карта.

Запишете се безплатно Преглед на цените