Teksts uz runu AI aģenti Mūzika Uzruna tekstam Balss klonēšana Balss dizains Tirgvieta Vairāk
Ziņot par kļūdu / funkciju pieprasījumu

AI Lip sinhronizēt video ģeneratoru

Pagrieziet sejas fotogrāfiju un audio klipu uz runājošās galvas video ar lūpu sinhronizāciju, galvas pozicionēšanu un mirgošanu. Pašlaik mēs nemeklējam modeli, kura licence to ļauj.

Pierakstīties brīvībā
Mums vēl nav TTS balsis jūsu valodā. Palīdziet mums pievienot savu! Pārdod savu balsi
Lip sinhronizācija šobrīd nav pieejama. SadTalker modelis, ko tas izmantoja, tika apmācīts Bāzeles Face Model, kas ir licencēts tikai nekomerciāliem pētījumiem, tāpēc mēs nevaram piedāvāt to par maksas pakalpojumu. Aizstāšana ar piemērotu licenci vēl nav uzstādīta.

Augšupielādēt seju + audio

1000 rakstzīmju sekundē

Velciet un nometiet failu šeit, vai pārlūkot

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

file.mp3

0 MB

Velciet un nometiet failu šeit, vai pārlūkot

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

file.mp3

0 MB

Ielādē videoklipu. Tas parasti aizņem 30 sekundes līdz 2 minūtēm.

Jūsu sarunu galvas video

Lejupielādēt

Par SadTalker

SadTalker (CVPR 2023, Tencent ARC) ir atvērtā pirmkoda runāšanas-galvas modelis, kas animē vienu sejas attēlu runāt jebkuru audio. Atšķirībā no Wav2Lip variantiem, SadTalker arī animē galvu pozicionēt, mirgot, un izteiksmi vairāk dabas rezultātu.

SadTalker kods ir Apache-2.0, bet tās 3D sejas rekonstrukcijas svarus tika apmācīti Bāzeles sejas modelis, kuras licence ļauj nekomerciālu izpēti tikai. TTS.ai ir komercpakalpojums, tāpēc rīks tika izslēgts par Septembrī 15, 2026.

Labāko rezultātu padomi

  • Izmantojiet augstas kvalitātes labi apgaismotu portretu — redzamas acis, aizvērta mute
  • Vislabāk darbojas centra seja, kvadrāts vai 4:5 dimensiju attiecība
  • Tīra runas audio (bez mūzikas) rada stingrāku lūpu sinhronizāciju
  • Ieslēgt GFPGAN varoņa šāvieniem — dubulto veikt laiku, bet asinā detaļas
  • Izmantojiet vēl regulējumu, kad vēlaties vienmērīgu avatara šāvienu

Lip sinhronizēt video plānus

Sākt bezmaksas, uzlabot, kad jums ir nepieciešams vairāk

Bezmaksas
  • 30 sekunžu audioierobežojums
  • 256 px izvade
  • Tikai "Stils" iepriekš uzstādīts
  • Nav sejas pastiprinātāja
Populārākais
Bezmaksas konts
  • 30 sekunžu audioierobežojums
  • Gan "pilnas", gan "vienkāršās" iepriekš uzstādītas
  • 256 / 512 px izvade
  • GFPGAN sejas pastiprinātājs
Pierakstīties brīvībā
Pro
  • 5 minūšu audioierobežojums
  • Prioritārais GPU rinda
  • API piekļuve (vairāku daļu augšupielāde)
  • Webhook pabeigšanas zvani
  • Pašlaik nav pieejams (nekomerciāla modeļa licence)
Atjaunināt

Bieži uzdoti jautājumi

Uzlādēt sejas foto un audio klipu, un AI rada video no šīs sejas runājot audio ar lūpu kustības, galvas pozicionēt un mirgo. Rīks pašlaik nav pieejams: tas skrēja SadTalker (CVPR 2023), kura 3D sejas rekonstrukcijas svarus tika apmācīti Bāzeles Face Model, kas ir licencēts tikai nekomerciāliem pētījumiem.

Sejas ieeja var būt JPG vai PNG attēls (līdz 10 MB) vai īss MP4/WebM braukšanas video (mēs izmantojam pirmo kadru). Braukšanas audio var būt MP3, WAV, M4A vai FLAC līdz 10 MB. Mēs pārņemam audio līdz 16 kHz iekšēji.

Bezmaksas konti: līdz 30 sekundēm uz vienu klipu. Maksājumu lietotāji: līdz 5 minūtēm par pieprasījumu. Ilgāks audio nozīmē ilgāk padarīt laiku un augstākas rakstzīmes izmaksas.

Lip sinhronizācijas video izmanto 1000 rakstzīmes sekundē ģenerētā video. 30-sekunde klipa = 30,000 rakstzīmes. Izmaksas tiek apmaksātas uz priekšu no jūsu rakstzīmju bilances un atmaksātas automātiski, ja paaudze neizdodas.

Nē. Rīks ir izslēgts, jo modeļa licence to neļauj. SadTalker kods ir Apache-2.0, bet tā saliktās sejas rekonstrukcijas tīkls tika apmācīts Bāzeles sejas modeli 2009, kura licence ļauj tikai iekšējos, nekomerciālos pētījumos. Video līdz tam līdz 15. septembrim, 2026 nav komerciālai lietošanai, apmaksāti plāni iekļauti. Jūs esat atbildīgs par tiesībām uz avota sejas attēlu un audio jūs augšupielādējat.

Kad instruments darbojās, 5 sekunžu klips pagāja apmēram 30 sekundes, aptuveni lineāri palielinot ar audio garumu. Pašlaik tas nav pieejams, kamēr mēs meklējam runājošās galvas modeli, kura licence to ļauj.

Pilna priekšiestate (noklusējuma) animāts galvas pozicionēt, mirgot, un izteiksme kopā ar lūpām, radot vairāk dabas runāt-galvas video. Joprojām iepriekš iestatīts bloķē galvu vietā un animē tikai muti — noder, ja vēlaties vienmērīgu avatara šāvienu.

GFPGAN ir sejas atjaunošanas modelis, kas saasina sejas detaļas pēc to izgatavošanas. Tas nav pieejams: tā StyleGAN2 iepriekš ir saskaņā ar NVIDIA nekomerciālu licenci un tās sejas parsēšanas modelis ir CC BY-NC-SA.

SadTalker tiek izdrukāts 256 px pēc noklusējuma, ar 512 px kā lēnāku iespēju. Rīks pašlaik nav pieejams; labi apgaismots, augstas kvalitātes portrets sniedz vislabāko rezultātu ar jebkuru runātāja modeli.

Jā. Ielādējiet MP4 vai WebM kā sejas ievadi, un mēs izmantosim pirmo kadru kā braukšanas identitāti. Pilna video pārdubbēšana (per kadru mutes nomaiņa), skatiet gaidāmo Dubbing Studio video cauruļvadu.

Jā. Ielādējiet vairāku daļu pieprasījumu /api/v1/lipsync/ ar sejas un audio laukiem, tad aptaujājiet /api/v1/lipsync/results/?uid= līdz statusam ir "pabeigts". Atbilde satur URL attēlotajai MP4. API piekļuvei nepieciešams apmaksāts plāns.

SadTalker izmanto sejas novirzīšanu, lai atklātu un apcirst redzamāko seju. Lai iegūtu labākos rezultātus, augšupielādējiet portretu ar vienu cilvēku centrā, acīm redzamu un minimālu oklūzija. Grupas fotogrāfijas var radīt neprognozējamus rezultātus.
5.0/5 (1)

Ko mēs varam uzlabot? Jūsu atgriezeniskā saite palīdz mums atrisināt problēmas.

Gatavs sākt?

Pierakstīties bez maksas un saņemt 50 kredītus. Nav kredītkarte nepieciešama.

Pierakstīties brīvībā Skatīt cenu