កម្មវិធីបង្កើតវីដេអូធ្វើសមកាលកម្មមាត់ AI

ប្ដូររូបថតមុខ និងវីដេអូអូឌីយ៉ូទៅជាវីដេអូនិយាយក្បាលជាមួយនឹងការសមកាលកម្មច្រមុះ កាយវិការក្បាល និងបន្លឺសំឡេងបន្លឺឡើង ។ បច្ចុប្បន្នមិនអាចប្រើបានទេ ខណៈពេលដែលយើងមើលម៉ូដែលដែលអាជ្ញាប័ណ្ណអនុញ្ញាតឲ្យវា ។

ចុះឈ្មោះដោយឥតគិតថ្លៃ

យើងមិនមានសំឡេង TTS ក្នុងភាសារបស់អ្នកនៅឡើយទេ ។ ជួយយើងបន្ថែមរបស់អ្នក ! លក់សំឡេងរបស់អ្នក

Lip sync មិនអាចប្រើបាននៅពេលនេះទេ ។ ម៉ូដែល SadTalker ដែលវាប្រើបានហ្វឹកហាត់លើម៉ូដែលមុខ Basel ដែលមានអាជ្ញាប័ណ្ណសម្រាប់ការស្រាវជ្រាវមិនពាណិជ្ជកម្មតែប៉ុណ្ណោះ ដូច្នេះយើងមិនអាចផ្តល់ជូនវាលើសេវាដែលបានបង់ ។ គ្មានការជំនួសជាមួយនឹងអាជ្ញាប័ណ្ណសមរម្យដែលបានដំឡើងនៅឡើយទេ ។

ផ្ទុកមុខ + អូឌីយ៉ូឡើង

១, ០០០ តួអក្សរក្នុងមួយវិនាទី

1. រូបភាពមុខឬវីដេអូបើកបរ

អូស និងទម្លាក់ឯកសាររបស់អ្នកនៅទីនេះ ឬ រកមើល

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

២. បើកបរអូឌីយ៉ូ

អូស និងទម្លាក់ឯកសាររបស់អ្នកនៅទីនេះ ឬ រកមើល

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

ការកំណត់ចលនាជាមុន

ទំហំលទ្ធផល

កម្មវិធីធ្វើឲ្យមុខប្រសើរ

GFPGAN (ច្បាស់យឺត)

អំពី SadTalker

SadTalker (CVPR 2023, Tencent ARC) គឺជាម៉ូដែលនិយាយ-ក្បាលប្រភពបើកចំហដែលធ្វើអោយមានចលនារូបភាពមុខតែមួយដើម្បីនិយាយអូឌីយ៉ូណាមួយ។ មិនដូចកំណែ Wav2Lip ទេ SadTalker ក៏ធ្វើអោយមានចលនាក្បាលដាក់ ភ្លឺ និងសម្ដីសម្រាប់លទ្ធផលធម្មជាតិជាង។

កូដ SadTalker គឺ Apache-2.0, ប៉ុន្តែទម្ងន់នៃការកសាងឡើងវិញមុខ 3D របស់វាត្រូវបានបណ្តុះបណ្តាលនៅលើម៉ូដែលមុខ Basel, អាជ្ញាប័ណ្ណដែលអនុញ្ញាតឱ្យតែការស្រាវជ្រាវមិនពាណិជ្ជកម្មប៉ុណ្ណោះ។ TTS.ai គឺជាសេវាកម្មពាណិជ្ជកម្មដូច្នេះឧបករណ៍ត្រូវបានបិទនៅលើខែកញ្ញា 15, 2026 ។

ព័ត៌មានជំនួយសម្រាប់លទ្ធផលល្អបំផុត

ប្រើរូបថតដែលមានគុណភាពខ្ពស់ និងមានពន្លឺល្អ - ភ្នែកមើលឃើញ មាត់បិទ
មុខកណ្ដាល, ការេ ឬ 4:5សមាមាត្រផ្ទៃធ្វើការល្អ
អូឌីយ៉ូនិយាយស្អាត (គ្មានតន្ត្រី) នាំឲ្យមានការធ្វើសមកាលកម្មមាត់ដែលរឹងជាង
អនុញ្ញាត GFPGAN សម្រាប់ការថតវីរបុរស - បង្កើនពេលវេលាបង្ហាញទ្វេដង ប៉ុន្តែធ្វើឲ្យលម្អិតច្បាស់
ប្រើការកំណត់ជាមុនស្ងៀម ពេលអ្នកចង់បានរូបតំណាងថតស្ងាត់

ផែនការវីដេអូធ្វើសមកាលកម្មច្រមុះName

ចាប់ផ្តើមដោយឥតគិតថ្លៃ ធ្វើឲ្យប្រសើរឡើងនៅពេលអ្នកត្រូវការបន្ថែម

ឥតគិតថ្លៃ

ដែនកំណត់អូឌីយ៉ូ ៣០ វិនាទី
លទ្ធផល ២៥៦ ភីកសែល
កំណត់ជាមុនតែ "នៅដដែល" ប៉ុណ្ណោះ
គ្មានកម្មវិធីបង្កើនមុខទេ

ពេញនិយមបំផុត

គណនីឥតគិតថ្លៃ

ដែនកំណត់អូឌីយ៉ូ ៣០ វិនាទី
ទាំងការកំណត់ជាមុន "ពេញលេញ" និង "នៅស្ងៀម"
លទ្ធផល ២៥៦ / ៥១២ ភីកសែល
កម្មវិធីបង្កើនមុខរបស់ GFPGAN

ចុះឈ្មោះដោយឥតគិតថ្លៃ

ជំនាញ

ដែនកំណត់អូឌីយ៉ូ ៥ នាទី
ជួរ GPU ដែលមានអាទិភាព
ការចូលដំណើរការ API (ផ្ទុកឡើងច្រើនផ្នែក)
ការហៅត្រឡប់ការបំពេញ Webhook
បច្ចុប្បន្នមិនអាចប្រើបាន (អាជ្ញាប័ណ្ណម៉ូដែលមិនជាពាណិជ្ជកម្ម)

ធ្វើឲ្យប្រសើរ

សំណួរដែលសួរញឹកញាប់

ឧបករណ៍នេះគឺមិនអាចរកបានបច្ចុប្បន្ន: វាបានរត់ SadTalker (CVPR 2023), ទំងន់នៃការកសាងឡើងវិញមុខ 3D របស់ខ្លួនត្រូវបានបណ្តុះបណ្តាលនៅលើ Basel ម៉ូដែលមុខ, ដែលត្រូវបានអាជ្ញាប័ណ្ណសម្រាប់តែការស្រាវជ្រាវមិនមែនពាណិជ្ជកម្ម.

មុខបញ្ចូលអាចជារូបភាព JPG ឬ PNG (រហូតដល់ទៅ 10 មេកាបៃ) ឬវីដេអូ MP4 / WebM ខ្លី (យើងប្រើស៊ុមដំបូង) ។ អូឌីយ៉ូបើកបរអាចជា MP3, WAV, M4A, ឬ FLAC រហូតដល់ទៅ 10 មេកាបៃ។ យើងបានយកឧទាហរណ៍អូឌីយ៉ូទៅ 16 kHz ខាងក្នុង។

គណនីឥតគិតថ្លៃ: រហូតដល់ទៅ 30 វិនាទីក្នុងមួយចន្លោះ. បង់ប្រាក់អ្នកប្រើ: រហូតដល់ទៅ5នាទីក្នុងមួយសំណើ. អូឌីយ៉ូវែងមានន័យថាពេលវេលាបង្ហាញវែងនិងតម្លៃតួអក្សរខ្ពស់។

វីដេអូ Lip Sync ប្រើ 1,000 តួអក្សរ ក្នុងមួយវិនាទីនៃវីដេអូដែលបានបង្កើត។ វីដេអូ 30 វិនាទី = 30,000 តួអក្សរ។ តម្លៃត្រូវបានបង់ប្រាក់ពីមុនពីតួអក្សររបស់អ្នកនិងត្រូវបានសងវិញដោយស្វ័យប្រវត្តិប្រសិនបើការបង្កើតបរាជ័យ។

ទេ. ឧបករណ៍នេះត្រូវបានបិទដោយសារតែអាជ្ញាប័ណ្ណម៉ូដែលមិនអនុញ្ញាតឱ្យវា. កូដ SadTalker គឺ Apache-2.0, ប៉ុន្តែបណ្តាញការកសាងមុខបែងចែករបស់ខ្លួនត្រូវបានបណ្តុះបណ្តាលនៅលើ Basel ម៉ូដែលមុខ 2009, អាជ្ញាប័ណ្ណដែលអនុញ្ញាតឱ្យខាងក្នុង, ការស្រាវជ្រាវមិនពាណិជ្ជកម្មតែប៉ុណ្ណោះ. វីដេអូដែលបានបង្កើតឡើងជាមួយវាមុនខែកញ្ញា 15, 2026 គឺមិនសម្រាប់ការប្រើប្រាស់ពាណិជ្ជកម្ម, ផែនការដែលបានបង់រួមបញ្ចូល. អ្នកទទួលខុសត្រូវសម្រាប់ការមានសិទ្ធិទៅប្រភពរូបភាពមុខនិងអូឌីយ៉ូដែលអ្នកផ្ទុកឡើង.

ពេលឧបករណ៍រត់ វីដេអូ៥វិនាទីត្រូវចំណាយពេលប្រហែល ៣០ វិនាទី ធ្វើមាត្រដ្ឋានតាមរយៈប្រវែងអូឌីយ៉ូតាមរយៈបន្ទាត់ ។ វាមិនអាចប្រើបាននៅពេលបច្ចុប្បន្នទេ ខណៈពេលដែលយើងមើលម៉ូដែលក្បាលនិយាយដែលអាជ្ញាប័ណ្ណអនុញ្ញាតឲ្យវា ។

ការកំណត់ជាមុនពេញលេញ (លំនាំដើម) ធ្វើឲ្យមានចលនាក្បាល ព្រិល និងសម្ដីរួមជាមួយនឹងបបូរមាត់ បង្កើតវីដេអូនិយាយក្បាលធម្មជាតិជាងមុន ។ ការកំណត់ជាមុននៅតែចាក់សោក្បាលនៅកន្លែង និងធ្វើឲ្យមានចលនាតែមាត់ប៉ុណ្ណោះ - មានប្រយោជន៍ពេលអ្នកចង់បានរូបភាពតំណាងដែលមានស្ថេរភាព ។

GFPGAN គឺជាគំរូស្ដារមុខដែលបានធ្វើឲ្យលម្អិតមុខកាន់តែច្បាស់បន្ទាប់ពីបង្ហាញ ។ វាមិនត្រូវបានផ្តល់ជូនទេ ៖ StyleGAN2 មុនរបស់វាស្ថិតនៅក្រោមអាជ្ញាប័ណ្ណមិនពាណិជ្ជកម្មរបស់ NVIDIA ហើយគំរូញែកមុខរបស់វាគឺ CC BY-NC-SA ។

SadTalker បង្ហាញនៅលើ 256 ភីកសែលតាមលំនាំដើមជាមួយ 512 ភីកសែលជាជម្រើសយឺត ។ ឧបករណ៍បច្ចុប្បន្នមិនអាចប្រើបានទេ រូបថតមានគុណភាពខ្ពស់ដែលមានពន្លឺល្អផ្តល់លទ្ធផលល្អបំផុតជាមួយម៉ូដែលក្បាលនិយាយណាមួយ ។

បាទ. ផ្ទុកឡើង MP4 ឬ WebM ជាមុខបញ្ចូលហើយយើងនឹងប្រើស៊ុមដំបូងជាអត្តសញ្ញាណបើកបរ។ សម្រាប់វីដេអូពេញលេញឡើងវិញ (ជំនួសមាត់ក្នុងមួយស៊ុម) សូមមើលបំពង់វីដេអូ Dubbing Studio នាពេលអនាគត។

បាទ/ ចាស ។ POST សំណើផ្នែកច្រើនទៅ /api/v1/lipsync/ ជាមួយវាលមុខ និងអូឌីយ៉ូ បន្ទាប់មកសួរ /api/v1/lipsync/result/?uuid= រហូតដល់ស្ថានភាពគឺ "បានបញ្ចប់" ។ ការឆ្លើយតបមាន URL ទៅកាន់ MP4 ដែលបានបង្ហាញ ។ ការចូលដំណើរការ API ត្រូវការផែនការដែលបានបង់ ។

SadTalker ប្រើការតម្រឹមមុខដើម្បីរកឃើញ និងកាត់មុខដែលមានភាពគួរឱ្យកត់សម្គាល់បំផុត ។ សម្រាប់លទ្ធផលល្អបំផុត ផ្ទុករូបថតមួយដែលមានមនុស្សម្នាក់នៅកណ្ដាល ភ្នែកមើលឃើញ និងការបិទភ្នែកអប្បបរមា ។ រូបថតក្រុមអាចផលិតលទ្ធផលដែលមិនអាចព្យាករណ៍បាន ។

5.0/5 (1)

រួចរាល់ដើម្បីចាប់ផ្ដើមឬ ?

ចុះឈ្មោះដោយឥតគិតថ្លៃនិងទទួលបាន 50 ពិន្ទុ. គ្មានកាតឥណទានចាំបាច់.

ចុះឈ្មោះដោយឥតគិតថ្លៃ មើលតម្លៃ

កម្មវិធី​បង្កើត​វីដេអូ​ធ្វើ​សមកាលកម្ម​មាត់ AI

ផ្ទុក​មុខ + អូឌីយ៉ូ​ឡើង

វីដេអូ​ក្បាល​និយាយ​របស់​អ្នក

អំពី SadTalker

ព័ត៌មាន​ជំនួយ​សម្រាប់​លទ្ធផល​ល្អ​បំផុត

ផែនការ​វីដេអូ​ធ្វើ​សមកាលកម្ម​ច្រមុះName

សំណួរ​ដែល​សួរ​ញឹកញាប់

តើ​ឧបករណ៍​ធ្វើ​សមកាលកម្ម​ច្រមុះ AI ធ្វើ​អ្វី ?

តើ​ទ្រង់ទ្រាយ​បញ្ចូល​អ្វី​ដែល​ត្រូវ​បាន​គាំទ្រ ?

តើ​អូឌីយ៉ូ​អាច​មាន​រយៈពេល​យូរ​ប៉ុណ្ណា ?

តើ​វា​មាន​តម្លៃ​ប៉ុន្មាន?

តើ​ខ្ញុំ​អាច​ប្រើ​វីដេអូ​នេះ​សម្រាប់​គោល​បំណង​ពាណិជ្ជកម្ម​បាន​ទេ?

តើ​ការ​បង្កើត​ត្រូវ​ចំណាយ​ពេល​ប៉ុន្មាន ?

តើ​មាន​អ្វី​ខុសគ្នា​រវាង​ការ​កំណត់​ជាមុន "ពេញលេញ" និង "នៅ​ដដែល" ?

តើអ្វីទៅជាឧបករណ៍បង្កើន GFPGAN?

ហេតុ​អ្វី​បាន​ជា​លទ្ធផល​របស់​ខ្ញុំ​មាន​គុណភាព​បង្ហាញ​ទាប ?

តើ​ខ្ញុំ​អាច​ធ្វើ​សមកាលកម្ម​វីដេអូ​ទៅ​អូឌីយ៉ូ​ថ្មី​បាន​ទេ ?

តើមាន API ទេ?

តើ​ធ្វើ​ដូចម្តេច​បើ​រូប​មុខ​របស់​ខ្ញុំ​មាន​មនុស្ស​ច្រើន​នៅ​ក្នុង​វា?

រួចរាល់​ដើម្បី​ចាប់ផ្ដើម​ឬ ?