متن به گفتارName عاملهای هوش مصنوعی موسیقی تبدیل گفتار به متنComment شبیه‌سازی صدا طراحی صدا بازار بیشتر
گزارش اشکال / درخواست ویژگی

مولد ویدئوی همگام‌سازی لب هوش مصنوعی

تبدیل یک عکس چهره و یک کلیپ صوتی به یک ویدئو با سر صحبت‌کننده با همگام‌سازی لب، حالت سر و چشمک زدن. در حال حاضر در دسترس نیست تا زمانی که به دنبال مدلی با مجوزی که اجازه می‌دهد، هستیم.

ثبت نام
هنوز صداهای TTS برای زبان شما نداریم. به ما کمک کنید تا صداهای خودتان را اضافه کنیم! فروش صدای خود
همگام‌سازی لب در حال حاضر در دسترس نیست. مدل SadTalker که استفاده شده بود بر روی مدل صورت Basel آموزش داده شده بود ، که فقط برای تحقیقات غیر تجاری مجوز دارد ، بنابراین نمی‌توانیم آن را در یک سرویس پرداختی ارائه کنیم. هنوز جایگزینی با مجوز مناسب نصب نشده است.

بارگذاری چهره + صدا

هزار نویسۀ در ثانیه

پروندۀ خود را به اینجا بکشید و بگذارید ، یا مرور

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

پرونده.mp3

0 MB

پروندۀ خود را به اینجا بکشید و بگذارید ، یا مرور

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

پرونده.mp3

0 MB

در حال رندر کردن ویدئو. این معمولاً ۳۰ ثانیه تا ۲ دقیقه طول می‌کشد.

ویدئو سر حرف‌زن شما

بارگیری MP4

درباره SadTalker

SadTalker (CVPR 2023, Tencent ARC) یک مدل سر صحبت کنندهٔ منبع باز است که یک تصویر یک چهره را برای صحبت کردن هر صدای دیگری پویانمایی می‌کند.

SadTalker's code is Apache-2.0, but its 3D face reconstruction weights were trained on the Basel Face Model, whose license allows non-commercial research only. TTS.ai is a commercial service, so the tool was switched off on September 15, 2026.

نکات برای بهترین نتایج

  • از پرتره با کیفیت بالا و نوردهی خوب استفاده کنید — چشم‌ها قابل مشاهده، دهان بسته
  • چهره مرکزی، مربع یا نسبت ابعاد ۴: ۵ بهترین کار را می‌کند
  • صدای گفتار تمیز (بدون موسیقی) باعث همگام‌سازی لب‌های محکم‌تر می‌شود
  • فعال کردن GFPGAN برای شلیک قهرمانان — زمان رندر را دو برابر می‌کند اما جزئیات را تیزتر می‌کند
  • از پیش‌فرض ثابت برای گرفتن عکس ثابت آواتار استفاده کنید

برنامه‌های ویدئویی همگام‌سازی لب

شروع مجانی، ارتقاء وقتی که بیشتر نیاز دارید

آزاد
  • محدودیت صوتی ۳۰ ثانیه
  • خروجی ۲۵۶ پیکسل
  • فقط پیش‌فرض » همچنان «
  • بدون بهبود دهنده چهره
محبوب‌ترین
حساب آزاد
  • محدودیت صوتی ۳۰ ثانیه
  • هر دو پیش‌فرض » کامل « و » بی‌حرکت «
  • خروجی ۲۵۶ / ۵۱۲ پیکسل
  • تقویت‌کننده چهره GFPGAN
ثبت نام
حرفه اي
  • محدودیت صوتی ۵ دقیقه
  • صف اولویت GPU
  • دسترسی API (بارگذاری چندبخشی)
  • فراخوانهای بازگشتی تکمیل Webhook
  • در حال حاضر در دسترس نیست (مجوز مدل غیر تجاری)
ارتقا

پرسشهای متداول

Upload a face photo and an audio clip, and the AI generates a video of that face speaking the audio with lip movements, head pose and blinks. The tool is currently unavailable: it ran SadTalker (CVPR 2023), whose 3D face reconstruction weights were trained on the Basel Face Model, which is licensed for non-commercial research only.

ورودی چهره می‌تواند یک تصویر JPG یا PNG (تا ۱۰ مگابایت) یا یک ویدئوی رانندگی کوتاه MP4/WebM (ما از فریم اول استفاده می‌کنیم) باشد. صدای رانندگی می‌تواند MP3، WAV، M4A، یا FLAC تا ۱۰ مگابایت باشد. ما صدا را به ۱۶ کیلوهرتز در داخل بازنمایش می‌دهیم.

حساب‌های رایگان: تا ۳۰ ثانیه برای هر کلیپ. کاربران پرداختی: تا ۵ دقیقه برای هر درخواست. صدای طولانی‌تر به معنای زمان رندر طولانی‌تر و هزینه کاراکتر بالاتر است.

ویدئو همگام‌سازی لب از ۱۰۰۰ کاراکتر در ثانیه از ویدئو تولید شده استفاده می‌کند. یک کلیپ ۳۰ ثانیه‌ای = ۳۰ کاراکتر. هزینه از پیش از حساب کاراکتر شما محاسبه می‌شود و در صورت شکست تولید به صورت خودکار بازپرداخت می‌شود.

نه. این ابزار به دلیل اینکه مجوز مدل اجازه آن را نمی‌دهد، خاموش شده است. کد SadTalker Apache-2.0 است، اما شبکه بازسازی چهره بسته‌بندی شده آن بر روی مدل چهره Basel 2009 آموزش داده شده است، که مجوز آن فقط به تحقیقات داخلی و غیر تجاری اجازه می‌دهد. ویدئوها تولید شده با آن قبل از ۱۵ سپتامبر ۲۰۲۶ برای استفاده تجاری نیستند، از جمله برنامه‌های پرداختی. شما مسئول داشتن حقوق تصویر چهره منبع و صدایی هستید که بارگذاری می‌کنید.

هنگامی که ابزار اجرا می‌شد، یک کلیپ ۵ ثانیه‌ای حدود ۳۰ ثانیه طول می‌کشید، که تقریباً خطی با طول صدا مقیاس‌بندی می‌شد. در حال حاضر در دسترس نیست تا زمانی که ما به دنبال مدلی از سر صحبت‌کننده با مجوزی که اجازه می‌دهد، هستیم.

پیش‌فرض کامل (به صورت پیش‌فرض) حالت سر، پلک زدن و حالت چهره را همراه با لب‌ها پویانمایی می‌کند ، و یک ویدئو طبیعی‌تر از سر صحبت‌کننده تولید می‌کند. پیش‌فرض همچنان سر را در جای خود قفل می‌کند و فقط دهان را پویانمایی می‌کند — هنگامی که می‌خواهید یک عکس آواتار ثابت بگیرید مفید است.

GFPGAN یک مدل بازسازی چهره است که جزئیات چهره را پس از رندر کردن تیز می‌کند. این ارائه نمی‌شود: StyleGAN2 پیشین آن تحت مجوز غیر تجاری NVIDIA است و مدل تجزیه چهره آن CC BY-NC-SA است.

SadTalker به‌طور پیش‌فرض در ۲۵۶ پیکسل، با ۵۱۲ پیکسل به عنوان گزینه‌ی آهسته‌تر، ترسیم می‌شود. این ابزار در حال حاضر در دسترس نیست؛ یک پرتره با کیفیت بالا و روشن، بهترین نتیجه را با هر مدل سر صحبت‌کننده می‌دهد.

بله. یک MP4 یا WebM را به عنوان ورودی صورت بارگذاری کنید و ما از فریم اول به عنوان هویت رانندگی استفاده خواهیم کرد. برای بازنویسی کامل ویدئو (جایگزینی دهان بر اساس فریم)، خط لوله ویدئو آینده استودیوی بازنویسی را ببینید.

بله. یک درخواست چندبخشی را به /api/v1/lipsync/ با فیلدهای صورت و صدا ارسال کنید، سپس /api/v1/lipsync/result/?uuid= را بررسی کنید تا وضعیت «تمام» شود. پاسخ شامل یک نشانی وب برای MP4 رندر شده است. دسترسی به API نیازمند یک برنامه پرداختی است.

SadTalker از هم‌تراز کردن چهره برای شناسایی و برش برجسته‌ترین چهره استفاده می‌کند. برای بهترین نتایج، پرتره را با یک شخص در مرکز، چشم‌های قابل مشاهده و حداقل پوشش بارگذاری کنید. عکس‌های گروهی ممکن است نتایج غیرقابل پیش‌بینی تولید کنند.
5.0/5 (1)

چه چیزی میتونیم بهتر کنیم؟ بازخورد شما به ما کمک میکنه مشکلات رو حل کنیم.

آماده اي که شروع کني؟

ثبت نام مجاني کن و 50 کرید بگیر کارت اعتباری لازم نیست

ثبت نام نمایش قیمت