Texto a vozComment Axentes Música Audio para texto Clonaxe de voz Deseño de voz Mercado Máis
Informar dun erro / Solicitar unha funcionalidade

Xerador de vídeos de sincronización labial de IA

Converte unha foto de cara e un clip de son nun vídeo de cabeza faladora con sincronización labial, pose da cabeza e pestanexa. Actualmente non está dispoñíbel mentres buscamos un modelo cuxa licenza o permita.

Inscríbete gratis
Non o facemos. Vender a túa voz
A sincronización labial non está dispoñíbel neste momento. O modelo SadTalker que emprega foi adestrado no modelo Basel Face, que ten licenza só para investigacións non comerciais, polo que non podemos ofrecé- lo nun servizo de pago. Aínda non se instalou ningún substituto cunha licenza axeitada.

Enviar cara + son

1. 000 caracteres por segundo

Arrastre e solte o ficheiro aquí, ou navegar

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

ficheiro.mp3

0 MB

Arrastre e solte o ficheiro aquí, ou navegar

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

ficheiro.mp3

0 MB

A procesar o vídeo. Isto normalmente leva entre 30 segundos e 2 minutos.

O seu vídeo Talking- Head

Obter

Acerca de SadTalker

SadTalker (CVPR 2023, Tencent ARC) é un modelo de cabeza falante de código aberto que anima unha soa imaxe facial para falar calquera son. A diferenza das variantes de Wav2Lip, SadTalker tamén anima a postura da cabeza, as pestanas e a expresión para un resultado máis natural.

O código de SadTalker é Apache-2.0, pero os seus pesos de reconstrución facial 3D foron adestrados no Basel Face Model, cuxa licenza permite só investigación non comercial. TTS.ai é un servizo comercial, polo que a ferramenta foi apagada o 15 de setembro de 2026.

Consellos para obter os mellores resultados

  • Usar un retrato de alta calidade e ben iluminado - ollos visíbeis, boca pechada
  • A cara centrada, cadrada ou a proporción 4: 5 funcionan mellor
  • O son de fala limpo (sen música) produce unha sincronización labial máis precisa
  • Activar GFPGAN para disparos heroicos - dobra o tempo de representación pero afia os detalles
  • Empregar a preconfiguración Estática cando se queira unha imaxe do avatar estable

Plans de vídeo de sincronización labial

Comece de balde, actualice cando precise máis

Libre
  • Límite de son de 30 segundos
  • Saída de 256 px
  • Só predefinicións "Still"
  • Sen realzado de caras
Máis popular
Conta libre
  • Límite de son de 30 segundos
  • Predefinicións « completa » e « inmóbil »
  • Saída de 256 / 512 px
  • Mellorador de caras GFPGAN
Inscríbete gratis
Pro
  • Límite de son de 5 minutos
  • Fila de prioridade da GPU
  • Acceso á API (envío de varias partes)
  • Retorna de chamadas de completación de webhook
  • Actualmente non dispoñíbel (licenza de modelo non comercial)
Actualizar

Preguntas frecuentes

Envíe unha foto dunha cara e un clip de son, e a IA xera un vídeo desa cara falando o son con movementos labiais, poses da cabeza e pestanexa. A ferramenta non está dispoñíbel actualmente: executaba SadTalker (CVPR 2023), cuxos pesos de reconstrución facial 3D foron adestrados no Basel Face Model, que está licenciado só para investigacións non comerciais.

A entrada de cara pode ser unha imaxe JPG ou PNG (ata 10 MB) ou un vídeo de condución MP4/ WebM curto (empregamos o primeiro fotograma). O son de condución pode ser MP3, WAV, M4A ou FLAC ata 10 MB. Remuestramos o son internamente a 16 kHz.

Contas gratuítas: ata 30 segundos por clip. Usuarios de pago: ata 5 minutos por petición. Un son máis longo significa un tempo de representación máis longo e un custo de caracteres máis alto.

O vídeo de sincronización labial emprega 1000 caracteres por segundo de vídeo xerado. Un clip de 30 segundos = 30. 000 caracteres. O custo facturarase por diante do saldo de caracteres e reembolsarase automaticamente se falla a xeración.

No. The tool is switched off because the model license does not allow it. SadTalker code is Apache-2.0, but its bundled face reconstruction network was trained on the Basel Face Model 2009, whose license allows internal, non-commercial research only. Videos generated with it before September 15, 2026 are not for commercial use, paid plans included. You are responsible for having the rights to the source face image and audio you upload.

Cando se executaba a ferramenta, un clip de 5 segundos levaba uns 30 segundos, escalando linearmente coa duración do son. Actualmente non está dispoñíbel mentres procuramos un modelo de cabezal falante cuxa licenza o permita.

A predefinición completa (predeterminada) anima a postura da cabeza, as pestanas e a expresión xunto cos beizos, producindo un vídeo máis natural da cabeza falando. A predefinición fixa a cabeza no lugar e anima só a boca, útil cando se quere unha imaxe do avatar estable.

GFPGAN é un modelo de restauración de caras que afiaba os detalles faciais despois de renderizalos. Non está dispoñíbel: o seu StyleGAN2 anterior está baixo unha licenza non comercial de NVIDIA e o seu modelo de análise de caras está CC BY- NC- SA.

SadTalker renderizase a 256 px por omisión, con 512 px como opción máis lenta. A ferramenta non está dispoñíbel actualmente; un retrato ben iluminado e de alta calidade dá o mellor resultado con calquera modelo de cabeza falante.

Si. Envíe un MP4 ou WebM como entrada de cara e usaremos o primeiro fotograma como identidade de condución. Para a dobraxe completa do vídeo (substitución da boca por fotograma), consulte o próximo canal de vídeo de Dubbing Studio.

Si. Envia unha solicitude multiparte a /api/v1/lipsync/ con campos de cara e son, entón consulta /api/v1/lipsync/result/?uuid= ata que o estado sexa «completado». A resposta contén un URL ao MP4 renderizado. O acceso á API require un plan de pago.

SadTalker emprega o aliñamento de caras para detectar e recortar a cara máis prominente. Para obter os mellores resultados, envíe un retrato cunha persoa centrada, ollos visíbeis e oclusión mínima. As fotos de grupo poden producir resultados imprevisibles.
5.0/5 (1)

Que podemos mellorar? Os seus comentarios axúdannos a corrixir os problemas.

Listo para comezar?

Inscríbase de balde e obtén 15.000 caracteres. Non se require tarxeta de crédito.

Inscríbete gratis Ver os prezos