Teksto- al- ParoloComment Agentoj Muziko Audio al Text Voĉa klonado Voĉa dezajno MerkatoName Pli
Raporti cimon / funkcipeton

AI Lip Sync Video Generator

Ŝanĝi vizaĝfoton kaj sondosieron al parola kapovideo kun lip-sinkronigo, kapo-pozo kaj blinkoj. Nuntempe ne havebla dum ni serĉas modelon kies permesilo permesas tion.

Aliĝi senpage
Ni faris Vendu vian voĉon
Lip- sinkronigo ne estas nun disponebla. La SadTalker- modelo, kiun ĝi uzis, estis trejnita sur la Basel Face Model, kiu estas licencita nur por nekomercaj esploroj, do ni ne povas oferti ĝin sur pagita servo. Neniu anstataŭaĵo kun taŭga licenco estas instalita ankoraŭ.

Alŝuti vizaĝon kaj aŭdon

1000 signoj po sekundo

Ŝovu vian dosieron ĉi tien, aŭ foliumi

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

dosiero.mp3

0 MB

Ŝovu vian dosieron ĉi tien, aŭ foliumi

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

dosiero.mp3

0 MB

Renderigas vian videon. Tio kutime daŭras 30 sekundojn ĝis 2 minutojn.

Via parolanta videoName

Elŝuti

Pri SadTalker

SadTalker (CVPR 2023, Tencent ARC) estas malfermkoda parolanta-kapo modelo kiu animas ununuran vizaĝbildon por paroli ajnan sonon. Malsame al Wav2Lip variantoj, SadTalker ankaŭ animas kapopozon, palpebrumon, kaj esprimon por pli natura rezulto.

La kodo de SadTalker estas Apache-2.0, sed ĝiaj 3D vizaĝrekonstruaj pezoj estis trejnitaj sur la Basel Face Model, kies licenco permesas nur ne-komercajn esplorojn. TTS.ai estas komerca servo, do la ilo estis malŝaltita la 15-an de septembro 2026.

Konsiloj por plej bonaj rezultoj

  • Uzi altkvalitan, bone lumigitan portreton - okuloj videblaj, buŝo fermita
  • Centra vizaĝo, kvadrato aŭ 4:5 aspekto estas plej bona
  • Pura parola aŭdo (sen muziko) donas pli striktan lip- sinkronigon
  • Ebligi GFPGAN por heroaj pafoj - duobligas la rendertempon sed akrigas detalojn
  • Uzi la antaŭdifinitan bildon por stabila avatara foto

Lipoj- sinkronigaj video- planoj

Komencu senpage, ĝisdatigu kiam vi bezonas pli

Libera
  • 30-sekunda aŭda limo
  • 256 px eligo
  • Nur "Still" antaŭagordo
  • Neniu vizaĝplibonigo
Plej populara
Libera konto
  • 30-sekunda aŭda limo
  • Ambaŭ "plena" kaj "malplena" antaŭagordoj
  • 256 / 512 px eligo
  • GFPGAN vizaĝ-plibonigilo
Aliĝi senpage
Pro
  • 5-minuta aŭdlimito
  • GPU- prioritata vico
  • API- aliro (multparta alŝuto)
  • Revoko de kompletigo de TTT-hokoj
  • Nuntempe ne havebla (nekomerca modelolicenco)
Ĝisdatigi

Oftaj demandoj

Alŝutu vizaĝfoton kaj sondosieron, kaj la AI kreas videon de tiu vizaĝo parolante la sonon per lipmovoj, kapopozoj kaj okulfrapaj movoj. La ilo nuntempe ne estas havebla: ĝi lanĉis SadTalker (CVPR 2023), kies 3D-vizaĝaj rekonstruaj pezoj estis trejnitaj sur la Basel Face Model, kiu estas licencita por ne-komerca esplorado nur.

La vizaĝa enigo povas esti JPG aŭ PNG bildo (ĝis 10 MB) aŭ mallonga MP4/WebM video (ni uzas la unuan kadron). La sono povas esti MP3, WAV, M4A, aŭ FLAC ĝis 10 MB. Ni respecimelu la sonon interne al 16 kHz.

Senpagaj kontoj: ĝis 30 sekundoj por unu eltiraĵo. Pagaj uzantoj: ĝis 5 minutoj por unu peto. Pli longa sono signifas pli longan rendertempon kaj pli altan karakterkoston.

Lip-sinkrona video uzas 1000 signojn po sekundo de generita video. 30-sekunda filmeto = 30,000 signoj. La kosto estas fakturata antaŭe de via signo-saldo kaj aŭtomate repagita se la generado malsukcesas.

Ne. La ilo estas malŝaltita ĉar la modelo-licenco ne permesas tion. La kodo de SadTalker estas Apache-2.0, sed ĝia kunigita vizaĝ-rekonstrua reto estis trejnita sur la Basel Face Model 2009, kies licenco permesas nur internan, ne-komercajn esplorojn. Videoj kreitaj per ĝi antaŭ la 15-a de septembro 2026 ne estas por komerca uzo, inkluzive de pagaj planoj. Vi estas respondeca pri la rajtoj al la fonta vizaĝ-bildo kaj sono, kiujn vi alŝutas.

Kiam la ilo ruliĝis, 5-sekunda filmeto daŭris ĉirkaŭ 30 sekundojn, kaj ĝi skaliĝis proksimume lineare kun la sonlongo. Ĝi nuntempe ne estas disponebla dum ni serĉas parolantan kapon, kies licenco permesas tion.

Plena antaŭagordo (default) animas la kapon, la okulojn kaj la vizaĝon kune kun la lipoj, produktante pli naturan videon de parolanta kapo. La antaŭagordo Still fiksas la kapon kaj animas nur la buŝon - utila kiam vi volas stabilan avataran bildon.

GFPGAN estas vizaĝrestor-modelo, kiu akrigas vizaĝajn detalojn post renderigo. Ĝi ne estas proponata: ĝia antaŭaĵo StyleGAN2 estas sub nekomerca permesilo de NVIDIA kaj ĝia vizaĝanaliza modelo estas CC BY-NC-SA.

SadTalker estas montrita je 256 px defaŭlte, kun 512 px kiel pli malrapida opcio. La ilo nuntempe ne estas disponebla; bone lumigita, altkvalita portreto donas la plej bonan rezulton kun iu ajn parolanta kapo modelo.

Jes. Alŝutu MP4 aŭ WebM kiel vizaĝan enigo kaj ni uzos la unuan kadron kiel la kondukan identecon. Por plena video- re- dublado (per- kadra buŝo- anstataŭigo), vidu la venontan video- kanalon de Dublado- Studio.

Jes. POST plurpartan peton al /api/v1/lipsync/ kun vizaĝaj kaj aŭdaj kampoj, poste enketu /api/v1/lipsync/result/?uuid= ĝis la stato estas "finita". La respondo enhavas URLon al la prezentita MP4. API-aliro postulas pagan planon.

SadTalker uzas vizaĝ-alĝustigon por detekti kaj elkroĉi la plej videblan vizaĝon. Por plej bonaj rezultoj, alŝutu portreton kun unu persono centre, okuloj videblaj, kaj minimuma okludo. Grupaj fotoj povas produkti neantaŭvideblajn rezultojn.
5.0/5 (1)

Kion ni povus plibonigi? Via reago helpas nin solvi problemojn.

Ĉu vi pretas komenci?

Aliĝi senpage kaj ricevi 15,000 signojn. Neniu kreditkarto necesas.

Aliĝi senpage Rigardi prezojn