ຂໍ້ຄວາມ​ເປັນ​ການ​ເວົ້າName ຕົວແທນ AI ດົນຕີ ແປ​ຄຳ​ເວົ້າ​ເປັນ​ຂໍ້​ຄວາມName ການ​ກັ່ນຕອງ​ສຽງ ການ​ອອກແບບ​ສຽງ ຕະຫຼາດ ຫຼາຍ
ລາຍງານ​ຂໍ້ຜິດພາດ / ຮ້ອງຂໍ​ຄຸນສົມບັດ

កម្មវិធី​ສ້າງ​ວີດີໂອ​ AI Lip Sync

ປ່ຽນຮູບໜ້າ ແລະ ວິດີໂອສຽງເປັນວິດີໂອຫົວເວົ້າດ້ວຍ lips sync, head pose ແລະ ຕາຢ້ານ. ປັດຈຸບັນບໍ່ສາມາດໃຊ້ໄດ້ ໃນຂະນະທີ່ພວກເຮົາຊອກຫາແບບທີ່ອະນຸຍາດໃຫ້ມັນ.

ລົງທະບຽນຟຣີ
ພວກເຮົາຍັງບໍ່ມີສຽງ TTS ໃນພາສາຂອງທ່ານເທື່ອ. ຊ່ວຍພວກເຮົາເພີ່ມສຽງຂອງທ່ານ! ຂາຍ​ສຽງ​ຂອງທ່ານ
ປັດຈຸບັນ​ນີ້​ການ​ປັບ​ສຽງ​ປາກ​ບໍ່​ມີ​ຢູ່​ແລ້ວ. ແບບ SadTalker ທີ່​ມັນ​ໃຊ້​ແມ່ນ​ໄດ້​ຮຽນ​ຢູ່​ໃນ​ແບບ Basel Face Model, ເຊິ່ງ​ມີ​ໃບອະນຸຍາດ​ສຳລັບ​ການ​ຄົ້ນຄວ້າ​ທີ່ບໍ່​ເປັນ​ການ​ຄ້າ​ເທົ່າ​ນັ້ນ, ສະນັ້ນ​ພວກເຮົາ​ບໍ່​ສາມາດ​ສະເໜີ​ມັນ​ໃນ​ການ​ບໍລິການ​ທີ່​ຈ່າຍ​ຄ່າ​ໄດ້​ເລີຍ. ຍັງບໍ່​ມີ​ໃບອະນຸຍາດ​ທີ່​ເໝາະສົມ​ທີ່​ຈະ​ທົດແທນ​ມັນ​ໄດ້​ຖືກ​ຕິດຕັ້ງ​ເທື່ອ.

ສົ່ງ​ອອກ​ສຽງ

1,000 តួ​អក្សរ​ຕໍ່​ວິນາທີ

ດຶງ ແລະ ປ່ອຍ​ໄຟ​ລ໌​ຢູ່​ທີ່ນີ້, ຫຼື ຄົ້ນຫາ

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

ໄຟລ໌.mp3

0 MB

ດຶງ ແລະ ປ່ອຍ​ໄຟ​ລ໌​ຢູ່​ທີ່ນີ້, ຫຼື ຄົ້ນຫາ

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

ໄຟລ໌.mp3

0 MB

ສະແດງ​ວີດີໂອ​ຂອງທ່ານ. ປົກກະຕິແລ້ວ ໃຊ້ເວລາ 30 ວິນາທີ ຫາ2ນາທີ.

ວິດີໂອ Talking-Head ຂອງ​ທ່ານ

ດາວໂຫລດ

ກ່ຽວ​ກັບ SadTalker

SadTalker (CVPR 2023, Tencent ARC) ແມ່ນແບບຟອມຫົວເວົ້າ Open-source ທີ່ເຮັດໃຫ້ຮູບ ໜ້າ ດຽວມີຊີວິດຊີວາເພື່ອເວົ້າສຽງໃດໆ. ບໍ່ຄືກັບ Wav2Lip ຕົວແປ, SadTalker ຍັງເຮັດໃຫ້ຫົວ pose, ເບິ່ງແລະສະແດງອອກເພື່ອຜົນໄດ້ຮັບທີ່ສະອາດກວ່າ.

ລະຫັດ SadTalker ແມ່ນ Apache-2.0, ແຕ່ນໍ້າໜັກຂອງຮູບຮ່າງ 3D ໄດ້ຖືກຝຶກໃນ Basel Face Model, ໃບອະນຸຍາດຂອງໃຜອະນຸຍາດໃຫ້ການຄົ້ນຄວ້າທີ່ບໍ່ເປັນການຄ້າເທົ່ານັ້ນ. TTS.ai ແມ່ນການບໍລິການການຄ້າ, ສະນັ້ນເຄື່ອງມືໄດ້ຖືກປິດລົງໃນເດືອນສິງຫາ 15, 2026.

ຂໍ້​ແນະ​ນຳ​ສຳລັບ​ຜົນ​ທີ່​ດີ​ທີ່ສຸດ

  • ໃຊ້ຮູບປັ້ນທີ່ມີຄຸນນະພາບສູງ, ຖືກແສງສະຫວ່າງດີ - ຕາເບິ່ງເຫັນໄດ້, ປາກປິດ
  • ຕັ້ງ​ໃຈກາງ​ໜ້າ, ຮູບສີ່ຫຼ່ຽມ ຫຼື ອັດຕາສ່ວນ 4:5 ເຮັດວຽກ​ໄດ້​ດີ​ທີ່ສຸດ
  • ສຽງເວົ້າທີ່ສະອາດ (ບໍ່ມີດົນຕີ) ສົ່ງຜົນໃຫ້ມີສຽງທີ່ເຂົ້າກັນໄດ້ດີກວ່າ
  • ເປີດ​ໃຊ້ GFPGAN ສຳ​ລັບ​ການ​ຖ່າຍ​ຮູບ​ຂອງ​ນັກ​ຮົບ​ - ເພີ່ມ​ເວລາ​ສະແດງ​ເປັນ​ສອງ​ເທົ່າ ແຕ່​ເພີ່ມ​ຄວາມ​ລະອຽດ
  • ໃຊ້​ການ​ຕັ້ງ​ຄ່າ​ລ່ວງໜ້າ ຖ່າຍ​ຮູບ​ແບບ​ບໍ່​ປ່ຽນ​ແປງ ເມື່ອ​ຕ້ອງການ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ​ແບບ​ຖ່າຍ​ຮູບ

ແຜນ​ການ​ວິດີໂອ​ Lip Sync

ເລີ່ມຕົ້ນຟຣີ, ປັບປຸງເມື່ອທ່ານຕ້ອງການຫຼາຍຂຶ້ນ

ບໍ່ມີ
  • ຈໍາກັດສຽງ 30 ວິນາທີ
  • ຜົນອອກ 256 ພິກເຊວ
  • ຕັ້ງຄ່າ​ລ່ວງໜ້າ "ຍັງ" ເທົ່ານັ້ນ
  • ບໍ່ມີ​ຕົວ​ເພີ່ມ​ໜ້າ
ນິຍົມທີ່ສຸດ
ບັນຊີ​ຟຣີ
  • ຈໍາກັດສຽງ 30 ວິນາທີ
  • ທັງ​ສອງ​ການ​ຕັ້ງ​ຄ່າ​ລ່ວງໜ້າ "ເຕັມ" ແລະ "ບໍ່​ປ່ຽນແປງ"
  • ຜົນອອກ 256 / 512 ພິກະເຊນ
  • ຕົວເພີ່ມ​ຄວາມ​ສວຍງາມ​ໜ້າ GFPGAN
ລົງທະບຽນຟຣີ
ມືອາຊີບ
  • ຈໍາກັດສຽງ5ນາທີ
  • ​ជួរ​ GPU ​ដែល​មាន​អាទិភាព
  • ເຂົ້າ​ເຖິງ API (ອັບໂຫລດຫຼາຍສ່ວນ)
  • ​ການ​ໂທ​ຄືນ​ການ​ເຮັດ​ໃຫ້​ Webhook ສົມບູນ
  • ປັດຈຸບັນ​ບໍ່​ມີ (ໃບອະນຸຍາດ​ແບບ​ແບບ​ບໍ່​ເປັນ​ການ​ຄ້າ)
ຍົກລະດັບ

ຄໍາຖາມທີ່ຖາມເລື້ອຍໆ

ເຄື່ອງມືນີ້ ປັດຈຸບັນ ຍັງບໍ່ມີຢູ່: ມັນໄດ້ ແລ່ນ SadTalker (CVPR 2023), ທີ່ມີນໍ້າໜັກ 3D ຂອງການ ສ້າງຄືນໃໝ່ ໃບໜ້າ ໄດ້ຖືກຝຶກອົບຮົມໃນ Basel Face Model, ເຊິ່ງໄດ້ຮັບອະນຸຍາດໃຫ້ ສໍາລັບ ການຄົ້ນຄວ້າທີ່ບໍ່ເປັນການຄ້າເທົ່ານັ້ນ.

ຂໍ້ມູນເຂົ້າທາງ ໜ້າ ສາມາດເປັນຮູບພາບ JPG ຫຼື PNG (ເຖິງ 10 MB) ຫຼືວິດີໂອ MP4 / WebM ທີ່ມີຂະ ໜາດ ນ້ອຍ (ພວກເຮົາໃຊ້ກອບ ທຳ ອິດ). ສຽງຂັບລົດສາມາດເປັນ MP3, WAV, M4A, ຫຼື FLAC ເຖິງ 10 MB. ພວກເຮົາເອົາສຽງຄືນ ໃໝ່ ເຖິງ 16 kHz ໃນພາຍໃນ.

ບັນຊີຟຣີ: ເຖິງ 30 ວິນາທີຕໍ່ຄລິບ. ຜູ້ໃຊ້ຈ່າຍ: ເຖິງ5ນາທີຕໍ່ຄໍາຮ້ອງຂໍ. ສຽງຍາວກວ່າ ໝາຍ ຄວາມວ່າເວລາສະແດງຍາວກວ່າແລະຄ່າຕົວອັກສອນສູງກວ່າ.

ວິດີໂອ Lip Sync ໃຊ້ 1,000 ຕົວອັກສອນຕໍ່ວິນາທີຂອງວິດີໂອທີ່ສ້າງຂຶ້ນ. 30 ວິນາທີຄລິບ = 30,000 ຕົວອັກສອນ. ຄ່າໃຊ້ຈ່າຍແມ່ນຖືກຄິດໄລ່ກ່ອນຈາກສະສົມຕົວອັກສອນຂອງທ່ານແລະຖືກຄືນເງິນໂດຍອັດຕະໂນມັດຖ້າການສ້າງບໍ່ສຳເລັດ.

ບໍ່ມີ. ເຄື່ອງມືໄດ້ຖືກປິດຍ້ອນວ່າໃບອະນຸຍາດແບບບໍ່ອະນຸຍາດໃຫ້ມັນ. SadTalker ລະຫັດແມ່ນ Apache-2.0, ແຕ່ເຄືອຂ່າຍການສ້າງຄືນໃບຫນ້າທີ່ຕິດພັນກັບມັນໄດ້ຖືກຝຶກອົບຮົມໃນ Basel Face Model 2009, ໃບອະນຸຍາດທີ່ອະນຸຍາດໃຫ້ພາຍໃນ, ບໍ່-ການຄົ້ນຄວ້າການຄ້າເທົ່ານັ້ນ. ວິດີໂອທີ່ຜະລິດດ້ວຍມັນກ່ອນເດືອນສິງຫາ 15, 2026 ແມ່ນບໍ່ສໍາລັບການໃຊ້ທຸລະກິດ, ແຜນທີ່ຈ່າຍລວມ. ທ່ານຮັບຜິດຊອບສໍາລັບການມີສິດໃນການແຫຼ່ງຫນ້າຮູບແລະສຽງທີ່ທ່ານອັບໂຫລດ.

ເມື່ອ​ເຄື່ອງມື​ນີ້​ຖືກ​ເປີດ, ວິດີໂອ5ວິນາທີ​ຈະ​ໃຊ້​ເວລາ​ປະມານ 30 ວິນາທີ, ຂະໜາດ​ຈະ​ຖືກ​ປັບ​ໃຫ້​ເໝາະ​ກັບ​ຄວາມ​ຍາວ​ສຽງ​ທີ່​ໄດ້​ຮັບ. ປັດຈຸບັນ​ມັນ​ບໍ່​ມີ​ຢູ່​ໃນ​ເວ​ລາ​ທີ່​ພວກເຮົາ​ກຳລັງ​ຊອກຫາ​ແບບ​ຟອມ​ຫົວ​ເວົ້າ​ທີ່​ມີ​ໃບອະນຸຍາດ​ອະນຸຍາດ​ໃຫ້​ໃຊ້​ມັນ.

ຕັ້ງ​ລ່ວງໜ້າ​ເຕັມ (ປັ໊ກ​ເດີມ) ເຮັດໃຫ້ໜ້າມີ​ການ​ເຄື່ອນ​ໄຫວ, ເບິ່ງ​ໜ້າ​ຊີ້​ໄປ​ທາງ​ໜ້າ, ແລະ ສະແດງ​ອາລົມ​ພ້ອມ​ກັບ​ປວດ​ປາກ, ເຮັດໃຫ້​ມີ​ວີດີໂອ​ຫົວ​ເວົ້າ​ທີ່​ເປັນ​ທຳມະຊາດ​ຫຼາຍຂຶ້ນ. ຕັ້ງ​ລ່ວງໜ້າ​ຍັງ​ຈະ​ກັກ​ຫົວ​ໄວ້​ໃນ​ບ່ອນ​ທີ່​ມັນ​ຢູ່ ແລະ ເຮັດ​ໃຫ້​ປາກ​ມີ​ການ​ເຄື່ອນ​ໄຫວ​ເທົ່ານັ້ນ - ມີຄວາມ​ປະ​ໂຫຍດ ເມື່ອ​ທ່ານ​ຕ້ອງການ​ຖ່າຍ​ຮູບ​ຕົວ​ແບບ​ທີ່​ບໍ່​ປ່ຽນ​ແປງ​ໄດ້.

GFPGAN ແມ່ນແບບຟອມການຟື້ນຟູໜ້າທີ່ເຮັດໃຫ້ລາຍລະອຽດຂອງໜ້າຊັດເຈນຫຼັງຈາກການສະແດງອອກ. ມັນບໍ່ໄດ້ຖືກສະເໜີ: ກ່ອນຫນ້ານີ້ StyleGAN2 ແມ່ນຢູ່ພາຍໃຕ້ໃບອະນຸຍາດ NVIDIA ທີ່ບໍ່ມີການຄ້າແລະແບບຟອມການວິເຄາະໜ້າແມ່ນ CC BY-NC-SA.

SadTalker ສະແດງຢູ່ 256 ພິກເຊລຕາມ​ການ​ຕັ້ງຄ່າ, ມີ 512 ພິກເຊລເປັນ​ຕົວເລືອກ​ທີ່​ຊ້າກວ່າ. ເຄື່ອງມື​ນີ້​ບໍ່​ມີ​ຢູ່​ໃນ​ປັດຈຸບັນ; ຮູບ​ປັ້ນ​ທີ່ມີ​ຄຸນນະພາບ​ສູງ ແລະ ​ມີ​ແສງ​ສະຫວ່າງ​ດີ ສະແດງ​ຜົນ​ທີ່​ດີ​ທີ່​ສຸດ​ກັບ​ແບບ​ຟອມ​ຫົວ​ເວົ້າ​ໃດໆ.

ຍິນດີ. ສົ່ງ MP4 ຫຼື WebM ເປັນຂໍ້ມູນເຂົ້າສູ່ລະບົບໃບຫນ້າແລະພວກເຮົາຈະໃຊ້ກອບທໍາອິດເປັນຕົວຕົນຂອງການຂັບຂີ່. ສຳ ລັບວິດີໂອເຕັມທີ່ re-dubbing (ການປ່ຽນແທນປາກຕໍ່ກອບ), ເບິ່ງ Dubbing Studio ວິດີໂອ pipeline ທີ່ໃກ້ຈະມາເຖິງ.

ຍິນດີ. POST ຄໍາຮ້ອງຂໍຫຼາຍສ່ວນໄປຍັງ /api/v1/lipsync/ ທີ່ມີໜ້າ ແລະ ພື້ນທີ່ສຽງ, ຈາກນັ້ນຖາມ /api/v1/lipsync/result/?uuid= ຈົນກວ່າສະຖານະຈະ "ສຳເລັດ". ການຕອບສະຫນອງມີ URL ໄປຍັງ MP4 ທີ່ສະແດງອອກ. ການເຂົ້າໃຊ້ API ຕ້ອງມີແຜນທີ່ຈ່າຍ.

SadTalker ໃຊ້ການວາງໃບໜ້າເພື່ອກວດພົບ ແລະ ຕັດໃບໜ້າທີ່ໂດດເດັ່ນທີ່ສຸດ. ສຳ ລັບຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ, ສົ່ງຮູບປັ້ນທີ່ມີຄົນດຽວຢູ່ໃຈກາງ, ຕາເບິ່ງເຫັນໄດ້, ແລະ ການກີດຂວາງຢ່າງ ໜ້ອຍ. ຮູບກຸ່ມອາດຈະຜະລິດຜົນໄດ້ຮັບທີ່ບໍ່ສາມາດຄາດເດົາໄດ້.
5.0/5 (1)

ພວກເຮົາສາມາດປັບປຸງໄດ້ແນວໃດ? ຄໍາຄິດເຫັນຂອງທ່ານຊ່ວຍພວກເຮົາແກ້ໄຂບັນຫາ.

ແລ້ວ​ຈະ​ເລີ່ມ​ບໍ່?

ລົງທະບຽນຟຣີແລະໄດ້ຮັບ 50 ຄະແນນ. ບໍ່ມີບັດເຄຣດິດທີ່ຕ້ອງການ.

ລົງທະບຽນຟຣີ ເບິ່ງ​ລາຄາ