Text till tal Al- agenser Musik Tal till text Röstförslutning Röstdesign Marknadsplats Fler
Rapportera fel/funktionsförfrågan

AI Lip Sync Video Generator

Vänd ett ansikte foto och ett ljudklipp till en talande-huvud video med läpp synkronisering, huvud pose och blinkar. För närvarande inte tillgänglig medan vi letar efter en modell vars licens tillåter det.

Registrera dig gratis
Lip sync är inte tillgänglig just nu. SadTalker modellen som användes var utbildad på Basel Face Model, som är licensierad för icke-kommersiell forskning bara, så vi kan inte erbjuda det på en betald tjänst. Ingen ersättning med en lämplig licens är installerad ännu.

Ladda upp ansikte + ljud

1000 tecken per sekund

Dra och släpp filen här, eller bläddra

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

file.mp3

0 MB

Dra och släpp filen här, eller bläddra

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

file.mp3

0 MB

Återgivning av din video. Detta tar normalt 30 sekunder till 2 minuter.

Din talande huvudvideo

Ladda ner MP4

Om SadTalker

SadTalker (CVPR 2023, Tencent ARC) är en öppen källkod prata-huvud modell som animerar en enda ansikte bild för att tala något ljud. Till skillnad från Wav2Lip varianter, SadTalker också animates huvudpose, blinkar, och uttryck för ett mer naturligt resultat.

SadTalkers kod är Apache-2.0, men dess 3D ansiktsrekonstruktion vikter utbildades på Basel Face Model, vars licens tillåter icke-kommersiell forskning endast. TTS.ai är en kommersiell tjänst, så verktyget var avstängd den 15 september 2026.

Tips för bästa resultat

  • Använd ett högkvalitativt, väl upplyst porträtt – ögonen synliga, munnen stängd
  • Centrerad yta, kvadrat eller 4:5 proportion fungerar bäst
  • Ren tal ljud (ingen musik) ger tätare läpp synkronisering
  • Aktivera GFPGAN för hjälte skott — dubblar ger tid men skärper detalj
  • Använd Still förinställd när du vill ha en stadig avatarbild

Lip Synkronisera videoplaner

Starta gratis, uppgradera när du behöver mer

Avgiftsfri
  • 30 sekunders ljudgräns
  • 256 px utgång
  • Endast "Still" förinställd
  • Ingen ansiktsförstärkare
Mest populära
Gratis konto
  • 30 sekunders ljudgräns
  • Både "full" och "fortfarande" förinställningar
  • 256 / 512 px utgång
  • GFPGAN ansiktsförstärkare
Registrera dig gratis
För
  • Ljudgräns på 5 minuter
  • Prioriterad GPU- kö
  • API-åtkomst (uppladdning av flera delar)
  • Webhook- kompletteringsåterkallningar
  • För närvarande inte tillgänglig (icke-kommersiell modelllicens)
Uppgradera

Vanliga frågor

Ladda upp ett ansikte foto och ett ljudklipp, och AI genererar en video av det ansiktet talar ljudet med läpprörelser, huvud pose och blinkar. Verktyget är för närvarande inte tillgängligt: det körde SadTalker (CVPR 2023), vars 3D ansikte rekonstruktion vikter utbildades på Basel Face Model, som är licensierad för icke-kommersiell forskning bara.

Ansiktet indata kan vara en JPG eller PNG bild (upp till 10 MB) eller en kort MP4/WebM driving video (vi använder den första ramen). Driving audio kan vara MP3, WAV, M4A, eller FLAC upp till 10 MB. Vi samplar ljud till 16 kHz internt.

Gratis konton: upp till 30 sekunder per klipp. Betala användare: upp till 5 minuter per begäran. Längre ljud innebär längre renderingstid och högre teckenkostnad.

Lip sync video använder 1000 tecken per sekund av genererad video. En 30-sekunders klipp = 30 000 tecken. Kostnaden faktureras framifrån från din teckenbalans och återbetalas automatiskt om generationen misslyckas.

Nej. Verktyget är avstängd eftersom modellen licens inte tillåter det. SadTalker koden är Apache-2.0, men dess medföljande ansiktsrekonstruktion nätverk utbildades på Basel Face Model 2009, vars licens tillåter intern, icke-kommersiell forskning bara. Videor som genereras med det före 15 september 2026 är inte för kommersiellt bruk, betalas planer ingår. Du ansvarar för att ha rättigheterna till källansikte bild och ljud du laddar upp.

När verktyget kördes tog ett 5-sekunders klipp ungefär 30 sekunder, skalning ungefär linjärt med ljudlängd. Det är för närvarande inte tillgängligt medan vi letar efter en talande-huvud-modell vars licens tillåter det.

Full förinställd (standard) animerar huvudet pose, blinkar och uttryck tillsammans med läpparna, producerar en mer naturlig talande-huvud video. Fortfarande förinställd låser huvudet på plats och animerar bara munnen — användbart när du vill ha en stadig avatar skott.

GFPGAN är en ansiktsrenoveringsmodell som skärper ansiktsdetaljer efter rendering. Den erbjuds inte: dess StyleGAN2 tidigare är under en NVIDIA icke-kommersiell licens och dess ansikte tolkning modell är CC BY-NC-SA.

SadTalker återges normalt på 256 px, med 512 px som ett långsammare alternativ. Verktyget är för närvarande inte tillgängligt; ett väl upplyst, högkvalitativt porträtt ger bästa resultat med någon talande-huvud modell.

Ja. Ladda upp en MP4 eller WebM som ansiktsinmatning och vi kommer att använda den första ramen som köridentitet. För full video re-dubbing (per-frame mun ersättning), se den kommande Dubbing Studio video pipeline.

Ja. POST en multipart begäran till /api/v1/lipsync/ med ansikte och ljudfält, sedan opinionsundersökning /api/v1/lipsync/resultat/?uuid= tills status är "fullbordad". Svaret innehåller en URL till den renderade MP4. API tillgång kräver en betald plan.

SadTalker använder ansiktsanpassning för att upptäcka och beskära det mest framträdande ansiktet. För bästa resultat, ladda upp ett porträtt med en person centrerad, ögonen synliga, och minimal ocklusion. Gruppfoton kan ge oförutsägbara resultat.
5.0/5 (1)

Vad kan vi förbättra? Din feedback hjälper oss att lösa problem.

Är du redo att sätta igång?

Registrera dig gratis och få 15.000 tecken. Inget kreditkort krävs.

Registrera dig gratis Visa Prissättning