ਪਾਠ ਤੋਂ ਬੋਲੀComment AI ਏਜੰਟ ਸੰਗੀਤ ਬੋਲੀ ਤੋਂ ਪਾਠName ਬੋਲੀ ਕਲੋਨਿੰਗ ਆਵਾਜ਼ ਡਿਜ਼ਾਇਨ ਮਾਰਕੀਟਪਲੇਸ ਹੋਰ
ਬੱਗ ਰਿਪੋਰਟ / ਫੀਚਰ ਮੰਗ

AI ਲਿਪ ਸੈਕਰੋ ਵੀਡਿਓ ਜਰਨਰੇਟਰName

ਚਿਹਰੇ ਦੀ ਫੋਟੋ ਅਤੇ ਆਡੀਓ ਕਲਿੱਪ ਨੂੰ ਇੱਕ ਬੋਲਦੇ ਸਿਰ ਦੇ ਵਿਡੀਓ ਵਿੱਚ ਬਦਲੋ, ਜਿਸ ਵਿੱਚ ਲਿੱਪ ਸੈਕ, ਸਿਰ ਦੇ ਹਾਵ-ਭਾਵ ਅਤੇ ਬਲਿਊਨਜ਼ ਸ਼ਾਮਲ ਹਨ। ਮੌਜੂਦਾ ਵਿੱਚ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਇੱਕ ਮਾਡਲ ਦੀ ਖੋਜ ਨਹੀਂ ਕਰਦੇ, ਜਿਸ ਦਾ ਲਾਈਸੈਂਸ ਇਸ ਨੂੰ ਮਨਜ਼ੂਰ ਕਰਦਾ ਹੈ।

ਮੁਫਤ ਰਜਿਸਟਰ ਕਰੋ
ਲਿੱਪ ਸੈਕਰੋ ਹੁਣ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ । SadTalker ਮਾਡਲ, ਜੋ ਕਿ ਇਸ ਨੇ ਵਰਤਿਆ ਸੀ, ਨੂੰ Basel Face Model ਉੱਤੇ ਟਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਸਿਰਫ ਗ਼ੈਰ- ਵਪਾਰਕ ਖੋਜ ਲਈ ਹੀ ਲਾਇਸੈਂਸ ਹੈ, ਇਸ ਲਈ ਅਸੀਂ ਇਸ ਨੂੰ ਇੱਕ ਭੁਗਤਾਨ ਸਰਵਿਸ ਉੱਤੇ ਪੇਸ਼ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਾਂ । ਕੋਈ ਢੁੱਕਵੀਂ ਲਾਈਸੈਂਸ ਨਾਲ ਬਦਲਾਵ ਇੰਸਟਾਲ ਨਹੀਂ ਹੈ ।

ਚਿਹਰਾ + ਆਡੀਓ ਅੱਪਲੋਡ

1,000 ਅੱਖਰ ਪ੍ਰਤੀ ਸਕਿੰਟ

ਆਪਣੀ ਫਾਇਲ ਇੱਥੇ ਸੁੱਟੋ, ਜਾਂ ਝਲਕ

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

ਫਾਇਲ.mp3

0 MB

ਆਪਣੀ ਫਾਇਲ ਇੱਥੇ ਸੁੱਟੋ, ਜਾਂ ਝਲਕ

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

ਫਾਇਲ.mp3

0 MB

ਤੁਹਾਡੇ ਵਿਡੀਓ ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ । ਇਹ ਆਮ ਤੌਰ ਉੱਤੇ 30 ਸਕਿੰਟ ਤੋਂ2ਮਿੰਟ ਲੈਂਦਾ ਹੈ ।

ਤੁਹਾਡਾ ਬੋਲਦਾ ਸਿਰ ਵੀਡਿਓName

MP4 ਡਾਊਨਲੋਡ

SadTalker ਬਾਰੇ

SadTalker (CVPR 2023, Tencent ARC) ਇੱਕ ਓਪਨ-ਸੋਰਸ ਬੋਲਣ ਵਾਲਾ-ਹੱਥ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਆਡੀਓ ਬੋਲਣ ਲਈ ਇੱਕ ਚਿਹਰੇ ਦੇ ਚਿੱਤਰ ਨੂੰ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ। Wav2Lip ਵੇਰੀਐਂਟਾਂ ਦੇ ਉਲਟ, SadTalker ਸਿਰ ਦੇ ਪੋਸ, ਬਲਿੰਸ ਅਤੇ ਭਾਵਨਾ ਨੂੰ ਵੀ ਵਧੇਰੇ ਕੁਦਰਤੀ ਨਤੀਜੇ ਲਈ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ।

SadTalker ਦਾ ਕੋਡ Apache-2.0 ਹੈ, ਪਰ ਇਸ ਦੇ 3D ਚਿਹਰੇ ਦੀ ਮੁੜ-ਉਭਾਰ ਭਾਰ ਨੂੰ Basel Face Model ਉੱਤੇ ਸਿਖਾਇਆ ਗਿਆ ਸੀ, ਜਿਸ ਦਾ ਲਾਇਸੈਂਸ ਸਿਰਫ ਗੈਰ-ਵਪਾਰਕ ਖੋਜ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। TTS.ai ਇੱਕ ਵਪਾਰਕ ਸੇਵਾ ਹੈ, ਇਸ ਲਈ ਟੂਲ 15 ਸਤੰਬਰ, 2026 ਨੂੰ ਬੰਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ।

ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ ਸੁਝਾਅ

  • ਉੱਚ ਕੁਆਲਟੀ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਚਮਕਦਾਰ ਪੋਰਟਰੇਟ ਵਰਤੋਂ - ਅੱਖਾਂ ਵੇਖਣਯੋਗ, ਮੂੰਹ ਬੰਦ
  • ਸੈਂਟਰ-ਫੇਸ, ਵਰਗ ਜਾਂ 4:5 ਆਕਾਰ ਅਨੁਪਾਤ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ
  • ਸਾਫ਼ ਬੋਲੀ ਆਡੀਓ (ਕੋਈ ਸੰਗੀਤ ਨਹੀਂ) ਨੇ ਲਿਪ ਸੈਕਰੋ ਨੂੰ ਮਜ਼ਬੂਤ ਕੀਤਾName
  • ਹੀਰੋ ਸ਼ੱਟਾਂ ਲਈ GFPGAN ਯੋਗ - ਦੁੱਗਣਾ ਰੈਂਡਰਿੰਗ ਸਮਾਂ ਪਰ ਵੇਰਵਾ ਤਿੱਖਾ
  • ਜਦੋਂ ਤੁਸੀਂ ਸਥਿਰ ਅਵਤਾਰ ਸ਼ੋਅ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਸਟੀਲ ਪ੍ਰੀ- ਸੈੱਟ ਵਰਤੋਂ

ਲਿਪ ਸੈਕਰੋ ਵੀਡਿਓ ਪਲਾਨ

ਮੁਫਤ ਸ਼ੁਰੂ ਕਰੋ, ਜਦੋਂ ਲੋੜ ਪਵੇ ਅੱਪਗਰੇਡ ਕਰੋ

ਮੁਫਤ
  • 30- ਸਕਿੰਟ ਆਡੀਓ ਲਿਮਟ
  • 256 px ਆਉਟਪੁੱਟ
  • "ਅਜੇ ਵੀ" ਪਹਿਲਾਂ- ਸੈੱਟ ਹੀ
  • ਕੋਈ ਚਿਹਰਾ ਐਕਸਟਰਾ ਨਹੀਂ
ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ
ਮੁਫਤ ਅਕਾਊਂਟ
  • 30- ਸਕਿੰਟ ਆਡੀਓ ਲਿਮਟ
  • ਦੋਵੇਂ "ਪੂਰਾ" ਅਤੇ "ਸਥਿਰ" ਪ੍ਰੀ- ਸੈੱਟ
  • 256 / 512 px ਆਉਟਪੁੱਟ
  • GFPGAN ਚਿਹਰਾ ਐਕਸਟਰਾ
ਮੁਫਤ ਲਈ ਸਾਈਨ ਅੱਪ ਕਰੋ
ਪਰੋ
  • 5- ਮਿੰਟ ਆਡੀਓ ਲਿਮਟ
  • ਤਰਜੀਹ GPU ਕਤਾਰ
  • API ਪਹੁੰਚ (ਬਹੁ- ਭਾਗ ਅੱਪਲੋਡ)
  • ਵੈੱਬਹੁੱਕ ਪੂਰਨਤਾ ਕਾਲਬੈਕ
  • ਮੌਜੂਦਾ ਵਿੱਚ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ (ਨਾ- ਵਪਾਰਕ ਮਾਡਲ ਲਾਈਸੈਂਸ)
ਅੱਪਗਰੇਡ

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ

ਇੱਕ ਚਿਹਰੇ ਦੀ ਫੋਟੋ ਅਤੇ ਆਡੀਓ ਕਲਿੱਪ ਅੱਪਲੋਡ ਕਰੋ, ਅਤੇ AI ਉਸ ਚਿਹਰੇ ਦਾ ਇੱਕ ਵੀਡੀਓ ਬਣਾਉਦਾ ਹੈ, ਜੋ ਕਿ ਆਡੀਓ ਨੂੰ ਲਬ ਗਤੀਵਿਧੀਆਂ, ਸਿਰ ਦੇ ਹਾਵ-ਭਾਵ ਅਤੇ ਬੱਝਣ ਨਾਲ ਬੋਲਦਾ ਹੈ। ਟੂਲ ਮੌਜੂਦਾ ਸਮੇਂ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ: ਇਹ SadTalker (CVPR 2023) ਚਲਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਦੇ 3D ਚਿਹਰੇ ਮੁੜ-ਉਤਪਾਦਨ ਭਾਰ ਨੂੰ Basel Face Model ਉੱਤੇ ਟਰੇਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਸਿਰਫ ਗੈਰ-ਵਪਾਰਕ ਖੋਜ ਲਈ ਹੀ ਲਾਇਸੈਂਸ ਹੈ।

ਚਿਹਰੇ ਇੰਪੁੱਟ ਇੱਕ JPG ਜਾਂ PNG ਚਿੱਤਰ (10 MB ਤੱਕ) ਜਾਂ ਇੱਕ ਛੋਟਾ MP4/WebM ਡਰਾਇਵਿੰਗ ਵੀਡਿਓ ਹੋ ਸਕਦਾ ਹੈ (ਅਸੀਂ ਪਹਿਲਾ ਫਰੇਮ ਵਰਤਦੇ ਹਾਂ)। ਡਰਾਇਵਿੰਗ ਆਡੀਓ MP3, WAV, M4A, ਜਾਂ FLAC 10 MB ਤੱਕ ਹੋ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਆਡੀਓ ਨੂੰ ਅੰਦਰੂਨੀ ਤੌਰ ਉੱਤੇ 16 kHz ਲਈ ਰੀ-ਸੈਂਪਲ ਕਰਦੇ ਹਾਂ।

ਮੁਫਤ ਅਕਾਊਂਟ: ਪ੍ਰਤੀ ਕਲਿੱਪ 30 ਸਕਿੰਟ ਤੱਕ । ਭੁਗਤਾਨ ਕਰਨ ਵਾਲੇ ਯੂਜ਼ਰ: ਪ੍ਰਤੀ ਬੇਨਤੀ5ਮਿੰਟ ਤੱਕ । ਲੰਮਾ ਆਡੀਓ ਦਾ ਮਤਲਬ ਲੰਮਾ ਰਿਡਰ ਸਮਾਂ ਅਤੇ ਵੱਧ ਅੱਖਰ ਕੀਮਤ ਹੈ ।

ਲਿਪ ਸੈਕਰੋ ਵਿਡੀਓ ਪ੍ਰਤੀ ਸਕਿੰਟ 1,000 ਅੱਖਰ ਵਰਤਦਾ ਹੈ। 30-ਸਕਿੰਟ ਕਲਿੱਪ = 30,000 ਅੱਖਰ। ਕੀਮਤ ਤੁਹਾਡੇ ਅੱਖਰ ਬੈਲੇਂਸ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਬਿਲਿੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਜੇਕਰ ਨਿਰਮਾਣ ਫੇਲ੍ਹ ਹੋ ਗਿਆ ਤਾਂ ਆਟੋਮੈਟਿਕ ਹੀ ਮੁੜ-ਵੰਡੀ ਜਾਂਦੀ ਹੈ।

ਨਹੀਂ, ਟੂਲ ਬੰਦ ਕੀਤਾ ਗਿਆ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਲਾਈਸੈਂਸ ਇਸ ਨੂੰ ਮਨਜ਼ੂਰ ਨਹੀਂ ਕਰਦੀ ਹੈ। SadTalker ਕੋਡ Apache-2.0 ਹੈ, ਪਰ ਇਸ ਦਾ ਬੰਡਲਡ ਚਿਹਰੇ ਮੁੜ-ਸੁਰਜੀਤੀ ਨੈੱਟਵਰਕ Basel Face Model 2009 ਉੱਤੇ ਟਰੇਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਦਾ ਲਾਈਸੈਂਸ ਅੰਦਰੂਨੀ, ਗੈਰ-ਵਪਾਰਕ ਖੋਜ ਲਈ ਹੀ ਹੈ। 15 ਸਤੰਬਰ, 2026 ਤੋਂ ਪਹਿਲਾਂ ਇਸ ਨਾਲ ਬਣਾਏ ਗਏ ਵਿਡੀਓ ਵਪਾਰਕ ਵਰਤੋਂ ਲਈ ਨਹੀਂ ਹਨ, ਭੁਗਤਾਨ ਕੀਤੇ ਪਲਾਨ ਸ਼ਾਮਲ ਹਨ। ਤੁਸੀਂ ਸਰੋਤ ਚਿਹਰੇ ਚਿੱਤਰ ਅਤੇ ਆਡੀਓ ਲਈ ਅਧਿਕਾਰ ਰੱਖਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੋ, ਜੋ ਤੁਸੀਂ ਅੱਪਲੋਡ ਕਰਦੇ ਹੋ।

ਜਦੋਂ ਟੂਲ ਚੱਲਿਆ, ਤਾਂ5ਸਕਿੰਟ ਦਾ ਕਲਿੱਪ ਲਗਭਗ 30 ਸਕਿੰਟ ਲਈ, ਆਡੀਓ ਲੰਬਾਈ ਨਾਲ ਰੇਖਾ-ਵੱਧ ਸਕੇਲ ਕੀਤਾ ਗਿਆ। ਇਹ ਮੌਜੂਦਾ ਸਮੇਂ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ, ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਇੱਕ ਬੋਲਣ ਵਾਲੇ ਸਿਰ ਮਾਡਲ ਦੀ ਖੋਜ ਨਹੀਂ ਕਰਦੇ, ਜਿਸ ਦੀ ਲਾਈਸੈਂਸ ਇਸ ਨੂੰ ਮਨਜ਼ੂਰ ਕਰਦੀ ਹੈ।

ਪੂਰਾ ਪਹਿਲਾਂ-ਸੈੱਟ (ਮੂਲ) ਸਿਰ ਦੇ ਹਾਵ-ਭਾਵ, ਬੱਬਲ ਅਤੇ ਚਿਹਰੇ ਦੇ ਇਸ਼ਾਰੇ ਨੂੰ ਹੋਠਾਂ ਨਾਲ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਵਧੇਰੇ ਕੁਦਰਤੀ ਬੋਲਦੇ ਸਿਰ ਵਿਡੀਓ ਬਣਾਉਂਦਾ ਹੈ। ਅਜੇ ਵੀ ਪਹਿਲਾਂ-ਸੈੱਟ ਸਿਰ ਨੂੰ ਥਾਂ ਉੱਤੇ ਲਾਕ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਮੂੰਹ ਨੂੰ ਐਨੀਮੇਟ ਕਰਦਾ ਹੈ - ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਸਥਿਰ ਆਵਾਜ਼ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਫਾਇਦੇਮੰਦ ਹੈ।

GFPGAN ਇੱਕ ਚਿਹਰੇ ਮੁੜ-ਸੁਰਜੀਤੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਰੈਂਡਰਿੰਗ ਤੋਂ ਬਾਅਦ ਚਿਹਰੇ ਦੇ ਵੇਰਵੇ ਨੂੰ ਤਿੱਖਾ ਕਰਦਾ ਹੈ। ਇਹ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ: ਇਸ ਦਾ StyleGAN2 ਪਹਿਲਾਂ NVIDIA ਗੈਰ-ਵਪਾਰਕ ਲਾਈਸੈਂਸ ਹੇਠ ਹੈ ਅਤੇ ਇਸ ਦਾ ਚਿਹਰੇ ਪਾਰਸਿੰਗ ਮਾਡਲ CC BY-NC-SA ਹੈ।

SadTalker ਡਿਫਾਲਟ ਤੌਰ ਉੱਤੇ 256 ਪਿਕਸਲ ਉੱਤੇ ਰੈਂਡਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ 512 ਪਿਕਸਲ ਇੱਕ ਹੌਲੀ ਚੋਣ ਹੈ। ਟੂਲ ਮੌਜੂਦਾ ਸਮੇਂ ਉਪਲੱਬਧ ਨਹੀਂ ਹੈ; ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਚਮਕਿਆ, ਉੱਚ ਕੁਆਲਟੀ ਪੋਰਟਰੇਟ ਕਿਸੇ ਵੀ ਬੋਲਦੇ ਸਿਰ ਮਾਡਲ ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ।

ਹਾਂ। ਇੱਕ MP4 ਜਾਂ WebM ਨੂੰ ਚਿਹਰੇ ਇੰਪੁੱਟ ਵਜੋਂ ਅੱਪਲੋਡ ਕਰੋ ਅਤੇ ਅਸੀਂ ਪਹਿਲਾ ਫਰੇਮ ਡਰਾਇਵਿੰਗ ਪਛਾਣ ਵਜੋਂ ਵਰਤਾਂਗੇ। ਪੂਰੀ ਵੀਡਿਓ ਮੁੜ-ਡਬਿੰਗ (ਪ੍ਰਤੀ-ਫਰੇਮ ਮੂੰਹ ਤਬਦੀਲ) ਲਈ, ਆਉਣ ਵਾਲੀ ਡਬਿੰਗ ਸਟੂਡੀਓ ਵੀਡਿਓ ਪਾਈਪਲਾਈਨ ਵੇਖੋ।

ਹਾਂ। ਚਿਹਰੇ ਅਤੇ ਆਡੀਓ ਖੇਤਰਾਂ ਨਾਲ /api/v1/lipsync/ ਨੂੰ ਇੱਕ ਮਲਟੀ-ਪਾਰਟ ਮੰਗ POST ਕਰੋ, ਫਿਰ /api/v1/lipsync/result/?uuid= ਨੂੰ ਪੁੱਛੋ ਜਦੋਂ ਤੱਕ ਹਾਲਤ "ਪੂਰਾ" ਨਾ ਹੋ ਜਾਵੇ। ਜਵਾਬ ਵਿੱਚ MP4 ਲਈ URL ਹੈ। API ਪਹੁੰਚ ਲਈ ਇੱਕ ਭੁਗਤਾਨ ਪਲਾਨ ਦੀ ਲੋੜ ਹੈ।

SadTalker ਸਭ ਤੋਂ ਪ੍ਰਮੁੱਖ ਚਿਹਰੇ ਨੂੰ ਖੋਜਣ ਅਤੇ ਕੱਟਣ ਲਈ ਚਿਹਰੇ-ਅਲਾਇੰਸਿੰਗ ਵਰਤਦਾ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਕੇਂਦਰ ਵਿੱਚ, ਅੱਖਾਂ ਵੇਖਣਯੋਗ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਬੰਦ ਹੋਣ ਨਾਲ ਇੱਕ ਪੋਰਟਰੇਟ ਅੱਪਲੋਡ ਕਰੋ। ਗਰੁੱਪ ਫੋਟੋਆਂ ਅਣਜਾਣ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀਆਂ ਹਨ।
5.0/5 (1)

ਅਸੀਂ ਕੀ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਾਂ? ਤੁਹਾਡੀ ਟਿੱਪਣੀ ਸਾਨੂੰ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।

ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਤਿਆਰ ਹੋ?

ਮੁਫਤ ਰਜਿਸਟਰ ਕਰੋ ਅਤੇ 50 ਕ੍ਰੈਡਿਟ ਪ੍ਰਾਪਤ ਕਰੋ। ਕੋਈ ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਲੋੜੀਦਾ ਨਹੀਂ ਹੈ।

ਮੁਫਤ ਰਜਿਸਟਰ ਕਰੋ ਕੀਮਤ ਵੇਖੋ