Testutik hizketara Agenteak Musika Audioa testura Ahots klonaketa Ahots-diseinua Merkatua Gehiago
Txostendu programa- errorea / Eskaera

AI ezpain-sinkronizazioko bideo-sortzailea

Bihurtu aurpegiko argazki bat eta audio-klip bat buru hitz egiten duen bideo batean, ezpain-sinkronizazioarekin, buru-posizioarekin eta keinuekin. Une honetan ez dago erabilgarri, baimena duen modelo bat bilatzen ari garen bitartean.

Izena eman doan
-Bai, bai. Saldu zure ahotsa
Ezpain-sinkronizazioa ez dago erabilgarri une honetan. SadTalker eredua Basel aurpegi-ereduan entrenatu zen, eta lizentzia ez-komertziala du ikerketarako soilik, beraz ezin dugu ordaindutako zerbitzu batean eskaini. Oraindik ez da instalatu lizentzia egokia duen ordezkorik.

Igo aurpegia + audioa

1.000 karaktere segundoko

Arrastatu eta jaregin zure fitxategia hemen, edo arakatu

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

fitxategia.mp3

0 MB

Arrastatu eta jaregin zure fitxategia hemen, edo arakatu

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

fitxategia.mp3

0 MB

Bideoa errendatzen. Normalean 30 segundotik 2 minutura bitartean irauten du.

Zure Talking-Head bideoa

Deskargatu

SadTalker-i buruz

SadTalker (CVPR 2023, Tencent ARC) aurpegi-irudiak animatzen dituen iturburu irekiko buru-hizketa-eredua da, edozein audio hitz egiteko. Wav2Lip aldaerak ez bezala, SadTalker-ek buru-jarrera, keinuak eta adierazpena ere animatzen ditu emaitza naturalagoa lortzeko.

SadTalker-en kodea Apache-2.0 da, baina bere 3D aurpegi berreraikitzeko pisuak Basel Face Model-en entrenatu ziren, zeinaren lizentziak ikerketa ez-komertziala bakarrik onartzen duen. TTS.ai zerbitzu komertziala da, beraz tresna 2026ko irailaren 15ean itzali zen.

Emaitza onenak lortzeko aholkuak

  • Erabili kalitate handiko erretratu argiztatua — begiak ikusgai, ahoa itxita
  • Aurpegi zentratua, karratua edo 4:5 aspektu-erlazioa hobeto funtzionatzen du
  • Hitz egiteko audio garbiak (musikarik gabe) ezpain-sinkronizazio estuagoa ematen du
  • Gaitu GFPGAN heroi-argazkietarako — errendatze-denbora bikoiztu egiten du, baina xehetasunak zorroztu egiten ditu
  • Erabili Still aurrezarpena avatar argazki egonkor bat nahi duzunean

Ezpain- sinkronizazioko bideo-planak

Hasi doan, bertsio-berritu gehiago behar duzunean

Libre
  • 30 segundoko audio-muga
  • 256 px irteera
  • "Itxaron" aurrezarpena bakarrik
  • Aurpegi-hobetzailerik ez
Ospetsuenak
Kontu librea
  • 30 segundoko audio-muga
  • "Osoa" eta "ixildua" aurrezarpenak
  • 256 / 512 px irteera
  • GFPGAN aurpegi-hobetzailea
Izena eman doan
Pro
  • 5 minutuko audio-muga
  • GPUaren lehentasun-ilara
  • API atzipena (zati anitzeko igoera)
  • Webhook osatzeko atzera-deiak
  • Une honetan ez dago erabilgarri (modelo ez-komertzialaren lizentzia)
Berritu

Maiz egiten diren galderak

Igo aurpegiaren argazkia eta audio-klip bat, eta AIk aurpegi horren bideoa sortuko du, ezpain-mugimenduekin, buru-posizioarekin eta keinuekin audioa hitz egiten. Tresna ez dago erabilgarri une honetan: SadTalker (CVPR 2023) exekutatu zuen, 3D aurpegi-berreraikitze-pisuak Basel aurpegi-ereduan entrenatu zirena, ikerketa ez-komertzialetarako bakarrik lizentziatua.

Aurpegiaren sarrera JPG edo PNG irudi bat izan daiteke (10 MB arte) edo MP4/WebM bideo labur bat (lehen fotograma erabiliko dugu). Audioa MP3, WAV, M4A edo FLAC izan daiteke, 10 MB arte. Audioa barnean 16 kHz-ra birlaginatzen dugu.

Doako kontuak: gehienez 30 segundo klip bakoitzeko. Ordainketa-erabiltzaileak: gehienez 5 minutu eskaera bakoitzeko. Audio luzeagoak errendatze-denbora luzeagoa eta karaktere-kostu handiagoa dakar.

Ezpain-sinkronizazioko bideoak 1.000 karaktere erabiltzen ditu segundoko sortutako bideoan. 30 segundoko klip batek = 30.000 karaktere. Kostua karaktere-balantzetatik fakturatzen da eta automatikoki itzultzen da sortzea huts egiten badu.

Ez. Tresna desgaituta dago, modeloaren lizentziak ez duelako baimentzen. SadTalker-en kodea Apache-2.0 da, baina aurpegiak berreraikitzeko sarea Basel Face Model 2009-n prestatu zen, eta lizentzia horrek barne-ikerketak eta ez-merkataritzakoak bakarrik onartzen ditu. 2026ko irailaren 15a baino lehen sortutako bideoak ez dira erabilpen komertzialerako, ordaindutako planak barne. Zure ardura da igotzen dituzun aurpegi-irudien eta audioaren iturburu-eskubideak izatea.

Tresna exekutatzean, 5 segundoko klip batek 30 segundo inguru irauten zuen, audioaren luzera eskalatuz gutxi gorabehera linealki. Une honetan ez dago erabilgarri, lizentziak hori baimentzen duen hitz egiten duen buruaren modeloa bilatzen ari garen bitartean.

Aurrezarpen osoak (lehenetsia) buruaren posizioa, keinuak eta aurpegiera animatzen ditu ezpainekin batera, buru hizketalariaren bideo naturalagoa sortuz. Aurrezarpen geldiak burua bere lekuan blokeatzen du eta ahoa bakarrik animatzen du. Erabilgarria da avatar-argazki egonkorra nahi denean.

GFPGAN aurpegiak berreskuratzeko eredua da, aurpegiaren xehetasunak errendatu ondoren zorrozten dituena. Ez da eskaintzen: bere StyleGAN2 aurrekoa NVIDIAren lizentzia ez-komertzial baten pean dago eta aurpegiak analizatzeko eredua CC BY-NC-SA da.

SadTalker-ek 256 pixel errendatzen ditu lehenespenez, 512 pixel aukera moteldua izanik. Tresna ez dago erabilgarri une honetan; argitsu eta kalitate handiko erretratu batek emaitza onena ematen du edozein buru hizketan duen modeloarekin.

Bai. Igo MP4 edo WebM bat aurpegiaren sarrera gisa, eta lehenengo fotograma erabiliko dugu gidatze-identitate gisa. Bideo osoa berriro dubtatzeko (fotograma bakoitzeko ahoa ordezkatzeko), ikusi Dubbing Studio bideo-kanala.

Bai. POST egin zati anitzeko eskaera bat /api/v1/lipsync/-i aurpegia eta audioa dituzten eremuekin, eta galdetu /api/v1/lipsync/result/?uuid= egoera "osaturik" dagoen arte. Erantzunak errendatutako MP4aren URLa du. APIa atzitzeko ordaindutako plana behar da.

SadTalker-ek aurpegi-lerroketa erabiltzen du aurpegi nabarmenena detektatzeko eta mozteko. Emaitza onenak lortzeko, igo erretratu bat pertsona bat zentratuta, begiak ikusgai eta okluzio minimoarekin. Talde-argazkiek emaitza aurreikusezinak eman ditzakete.
5.0/5 (1)

Zer hobetu dezakegu? Zure iritziak arazoak konpontzen laguntzen digu.

Prest hasteko?

Izena eman doan eta 15.000 karaktere lortu. Ez da kreditu txartelik behar.

Izena eman doan Ikusi prezioa