पाठ वाचकComment AI एजेन्टहरू संगीत पाठमा भाषणName आवाज क्लोनिङ आवाज डिजाइन बजार धेरै
बग प्रतिवेदन गर्नुहोस् / विशेषता अनुरोध

AI लिप समक्रमण भिडियो सर्जक

लिप समक्रमण, टाउको पोज र बन्सको साथ कुराकानी-हेड भिडियोमा एक अनुहार फोटो र अडियो क्लिप परिवर्तन गर्नुहोस्। हाल उपलब्ध छैन जब हामी लाइसेन्सले यसलाई अनुमति दिने मोडेलको लागि हेर्दछौं।

निःशुल्क दर्ता गर्नुहोस्
लिप समक्रमण अहिले उपलब्ध छैन. SadTalker मोडेल यो प्रयोग Basel अनुहार मोडेल मा प्रशिक्षित थियो, जो गैर-व्यावसायिक अनुसन्धान मात्र लागि लाइसेन्स छ, त्यसैले हामी एक भुक्तानी सेवा मा यो प्रस्ताव गर्न सक्दैन. कुनै उपयुक्त लाइसेन्स संग प्रतिस्थापन अझै स्थापना गरिएको छ.

अनुहार + अडियो अपलोड गर्नुहोस्

प्रति सेकेन्ड १००० क्यारेक्टर

तपाईँको फाइल यहाँ तान्नुहोस् र छोड्नुहोस्, वा ब्राउज गर्नुहोस्

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

फाइल.mp3

0 MB

तपाईँको फाइल यहाँ तान्नुहोस् र छोड्नुहोस्, वा ब्राउज गर्नुहोस्

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

फाइल.mp3

0 MB

तपाईँको भिडियो रेन्डरिङ गर्दैछ । यसले सामान्यतया ३० सेकेन्ड देखि २ मिनेट सम्म लिन्छ ।

तपाईँको कुराकानी हेड भिडियो

MP4 डाउनलोड गर्नुहोस्

साड टकरका बारेमा

SadTalker (CVPR 2023, Tencent ARC) कुनै पनि अडियो बोल्न एकल अनुहार छवि एनिमेट गर्दछ एक खुला स्रोत कुराकानी-हेड मोडेल हो। Wav2Lip प्रकार्यहरू विपरीत, SadTalker पनि अधिक प्राकृतिक परिणामको लागि टाउको पोज, बन्स, र अभिव्यक्ति एनिमेट गर्दछ।

यसको कोड Apache-2.0 हो, तर यसको 3D अनुहार पुनर्निर्माण वजन Basel अनुहार मोडेल मा प्रशिक्षित गरिएको थियो, जसको लाइसेन्स गैर-व्यावसायिक अनुसन्धान मात्र अनुमति दिन्छ. TTS.ai एक व्यावसायिक सेवा हो, त्यसैले उपकरण सेप्टेम्बर 15, 2026 मा बन्द गरिएको थियो।

उत्तम परिणामका लागि सुझावहरू

  • उच्च गुणस्तरको, राम्रोसँग प्रकाश पारिएको पोर्ट्रेट प्रयोग गर्नुहोस् - आँखा दृश्यात्मक, मुख बन्द
  • केन्द्रित अनुहार, वर्ग वा ४:५ आस्पेक्ट अनुपात उत्तम काम गर्दछ
  • शुद्ध भाषण अडियो (संगीत छैन) ले कडा लिप समक्रमण उत्पादन गर्दछ
  • नायक शटका लागि GFPGAN सक्षम पार्नुहोस् - रेन्डर समय डबल गर्दछ तर विस्तृत विवरणलाई तिखो बनाउँछ
  • तपाईँले स्थिर अवतार शट चाहनुहुन्छ भने स्टिल पूर्वसेट प्रयोग गर्नुहोस्

लिप समक्रमण भिडियो योजना

तपाईँलाई थप आवश्यक पर्दा निःशुल्क सुरु गर्नुहोस्, स्तरवृद्धि गर्नुहोस्

स्वतन्त्र
  • ३०-सेकेन्ड अडियो सीमा
  • २५६ पिक्सेल निर्गत
  • "अझै" पूर्वसेट मात्र
  • अनुहार बढाउने छैन
सबैभन्दा लोकप्रिय
खाता
  • ३०-सेकेन्ड अडियो सीमा
  • दुवै "पूर्ण" र "अझै" पूर्वसेट
  • ५०६ / ५१२ पिक्सेल निर्गत
  • GFPGAN अनुहार बढाउने
निःशुल्क दर्ता गर्नुहोस्
प्रो
  • ५ मिनेट अडियो सीमा
  • प्राथमिकता GPU लाम
  • API पहुँच (बहुभाग डाउनलोड)
  • वेबहुक समाप्ति कलब्याक
  • हाल उपलब्ध छैन (गैर-व्यावसायिक नमूना लाइसेन्स)
स्तरबृद्धि गर्नुहोस्

प्राय सोधिने प्रश्नहरू

एक अनुहार फोटो र एक अडियो क्लिप अपलोड, र एआई ओठ गतिविधि संग अडियो बोल्ने त्यो अनुहार को एक भिडियो उत्पन्न, टाउको पोज र बन्स. उपकरण हाल उपलब्ध छैन: यो SadTalker चला (CVPR 2023), जसको 3D अनुहार पुनर्निर्माण वजन Basel अनुहार मोडेल मा प्रशिक्षित थिए, जो गैर-व्यावसायिक अनुसन्धान मात्र लागि लाइसेन्स छ.

अनुहार आगत JPG वा PNG छवि हुन सक्छ (10 मेगाबाइट सम्म) वा छोटो MP4 / WebM ड्राइभिङ भिडियो (हामीले पहिलो फ्रेम प्रयोग गर्दछौं)। ड्राइभिङ अडियो MP3, WAV, M4A, वा FLAC सम्म 10 मेगाबाइट हुन सक्छ। हामी अडियोलाई 16 kHz आन्तरिक रूपमा रिसम्पल गर्दछौं।

नि: शुल्क खाताहरू: प्रति क्लिप 30 सेकेन्ड सम्म। भुक्तानी प्रयोगकर्ताहरू: प्रति अनुरोध5मिनेट सम्म। लामो अडियोको अर्थ लामो रेन्डर समय र उच्च क्यारेक्टर लागत।

लिप समक्रमण भिडियोले प्रति सेकेन्ड सिर्जना गरिएको भिडियोको १००० क्यारेक्टर प्रयोग गर्दछ। ३० सेकेन्डको क्लिप = ३०,००० क्यारेक्टर। लागत तपाईँको क्यारेक्टर शेषबाट अगाडि बिलिङ गरिन्छ र सिर्जना असफल भएमा स्वचालित रूपमा फिर्ता गरिन्छ।

छैन. उपकरण मोडेल लाइसेन्स यसलाई अनुमति छैन किनभने बन्द स्विच छ. SadTalker कोड Apache-2.0 छ, तर यसको bundled अनुहार पुनर्निर्माण नेटवर्क Basel अनुहार मोडेल मा प्रशिक्षित थियो 2009, जसको लाइसेन्स आन्तरिक अनुमति, गैर-व्यावसायिक अनुसन्धान मात्र. सेप्टेम्बर 15, 2026 यसलाई पहिले उत्पन्न भिडियो व्यावसायिक प्रयोगको लागि छैन, भुक्तानी योजना समावेश. तपाईं अपलोड स्रोत अनुहार छवि र अडियो अधिकार भएको लागि जिम्मेवार छन्.

उपकरण चल्दा, ५-सेकेन्ड क्लिपले अडियो लम्बाइसँग लगभग रेखात्मक रूपमा मापन गर्दै, लगभग ३० सेकेन्ड लियो। यो हाल उपलब्ध छैन जब हामी बोल्ने-हेड मोडेलको लागि हेर्दछौं जसको लाइसेन्सले यसलाई अनुमति दिन्छ।

पूर्ण पूर्वनिर्धारित (पूर्वनिर्धारित) ले मुखसँगै टाउको पोज, बम्प, र अभिव्यक्तिलाई एनिमेसन गर्दछ, अधिक प्राकृतिक कुराकानी-मुख भिडियो उत्पादन गर्दछ । अझै पनि पूर्वनिर्धारितले टाउकोलाई स्थानमा ताल्चा लगाउँछ र मुख मात्र एनिमेसन गर्दछ - तपाईँले स्थिर अवतार शट चाहनुहुन्छ भने उपयोगी ।

GFPGAN एक अनुहार पुन:स्थापना मोडेल हो जुन रेन्डरिङ पछि अनुहारको विवरणहरू तिखो छ। यो प्रस्ताव गरिएको छैन: यसको StyleGAN2 पूर्व NVIDIA गैर-व्यावसायिक लाइसेन्स अन्तर्गत छ र यसको अनुहार पद वर्णन मोडेल CC BY-NC-SA हो।

SadTalker पूर्वनिर्धारित रूपमा 256 पिक्सेलमा रेन्डर गरिएको छ, 512 पिक्सेलसँग एक ढिलो विकल्पको रूपमा। उपकरण हाल उपलब्ध छैन; राम्रोसँग प्रकाश, उच्च गुणस्तर पोर्ट्रेटले कुनै पनि कुराकानी-हेड मोडेलसँग उत्तम परिणाम दिन्छ।

हो। अनुहार आगतको रूपमा MP4 वा WebM अपलोड गर्नुहोस् र हामी ड्राइभिङ पहिचानको रूपमा पहिलो फ्रेम प्रयोग गर्नेछौं। पूर्ण भिडियो पुन: डबिंगको लागि (प्रति फ्रेम मुख प्रतिस्थापन), आउँदै गरेको डबिंग स्टुडियो भिडियो पाइपलाइन हेर्नुहोस्।

हो । अनुहार र अडियो फिल्डहरूसँग /api/v1/lipsync/ मा बहुभाग अनुरोध POST गर्नुहोस्, त्यसपछि स्थिति "समाप्त" सम्म /api/v1/lipsync/result/?uuid= पोल गर्नुहोस् । प्रतिक्रियामा रेन्डर गरिएको MP4 मा URL समावेश छ । API पहुँचका लागि भुक्तानी गरिएको योजना आवश्यक पर्दछ ।

SadTalker पत्ता लगाउन र सबैभन्दा प्रमुख अनुहार कटौती गर्न अनुहार-पङ्क्तिबद्धता प्रयोग. सर्वश्रेष्ठ परिणाम लागि, एक व्यक्ति केन्द्रित संग एक पोर्ट्रेट अपलोड, आँखा देखिने, र न्यूनतम occlusion. समूह फोटो अप्रत्याशित परिणाम उत्पादन गर्न सक्छन्.
5.0/5 (1)

हामी के सुधार गर्न सक्छन्? आफ्नो प्रतिक्रिया हामीलाई समस्या समाधान गर्न मद्दत गर्दछ.

सुरु गर्न तयार हुनुहुन्छ?

नि: शुल्क साइन अप र प्राप्त 50 क्रेडिट. कुनै क्रेडिट कार्ड आवश्यक.

निःशुल्क दर्ता गर्नुहोस् मूल्याङ्कन हेर्नुहोस्