Teksto sa Pagsasalita Mga Ahente ng AI Musika Pagsasalita sa Teksto Voice pag-clone Disenyo ng Tinig Marketplace Higit pa
Iulat ang Bug / Feature Request

AI Lip Sync Video Generator

I-convert ang isang larawan ng mukha at isang audio clip sa isang video na nagsasalita-utak na may lip sync, ulo pose at blinks. Kasalukuyang hindi magagamit habang kami ay naghahanap para sa isang modelo na lisensya ay nagpapahintulot sa ito.

Mag-sign up para sa libreng
Hindi pa kami may mga boses ng TTS sa iyong wika. Tulungan mo kaming magdagdag ng iyong mga ito! Ibenta ang Iyong Tinig
Ang SadTalker model na ginamit ay nasanay sa Basel Face Model, na lisensyado para sa non-commercial research lamang, kaya hindi namin ito inaalok sa isang bayad na serbisyo. Walang kapalit na may isang naaangkop na lisensya ay naka-install pa.

I-upload ang mukha + Audio

1,000 mga character sa bawat segundo

I-drag & drop ang iyong file dito, o mag-browse

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

file.mp3

0 MB

I-drag & drop ang iyong file dito, o mag-browse

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

file.mp3

0 MB

Rendering ang iyong video. Ito ay karaniwang tumatagal ng 30 segundo hanggang2minuto.

Ang iyong Video ng Pagsasalita-Ulo

I-download

Tungkol sa SadTalker

SadTalker (CVPR 2023, Tencent ARC) ay isang open-source na nagsasalita-utak modelo na animates isang solong mukha imahe upang makipag-usap sa anumang audio. Hindi tulad ng Wav2Lip variants, SadTalker din animates ulo pose, blinks, at ekspresyon para sa isang mas natural na resulta.

Ang code ng SadTalker ay Apache-2.0, ngunit ang mga 3D na timbang ng muling pagtatayo ng mukha ay nasanay sa Basel Face Model, na ang lisensya ay nagpapahintulot lamang sa mga hindi pang-komersyal na pananaliksik. TTS.ai ay isang komersyal na serbisyo, kaya ang tool ay na-off noong Setyembre 15, 2026.

Mga Tip para sa Pinakamahusay na Resulta

  • Gumamit ng mataas na kalidad, well-lit portrait — mata nakikita, bibig sarado
  • Centered mukha, parisukat o 4:5 aspect ratio gumagana pinakamahusay na
  • Clean speech audio (walang musika) yields mas mahigpit lip sync
  • Enable GFPGAN para sa mga shot bayani - doubles i-render ang oras ngunit sharpens detalye
  • Gamitin ang Still preset kapag nais mong isang matatag na avatar shot

Paano Mag-edit ng Video

Magsimula nang libre, i-upgrade kapag kailangan mo ng higit pa

Libre
  • 30-segundo audio limitasyon
  • 256 px output
  • "Patuloy" preset lamang
  • Walang mukha enhancer
Karamihan Popular
Libreng Account
  • 30-segundo audio limitasyon
  • Parehong "buong" at "pa rin" presets
  • 256 / 512 px output
  • Ang GFPGAN face enhancer
Mag-sign up para sa libreng
Pro
  • 5-minuto audio limitasyon
  • < Prioridad GPU queue
  • API access (multipart pag-upload)
  • Webhook pagkumpleto callbacks
  • Kasalukuyang hindi magagamit (hindi pang-komersyal na modelo ng lisensya)
I-upgrade

Mga Madalas Itanong

Ang tool na ito ay kasalukuyang hindi magagamit: ito ay tumatakbo SadTalker (CVPR 2023), na ang 3D na mukha reconstruction timbang ay sinanay sa Basel Face Model, na lisensyado para sa mga hindi-komersyal na pananaliksik lamang.

Ang face input ay maaaring JPG o PNG image (hanggang sa 10 MB) o isang maikling MP4/WebM driving video (gamitin namin ang unang frame). Ang driving audio ay maaaring MP3, WAV, M4A, o FLAC hanggang sa 10 MB.

Libreng account: hanggang sa 30 segundo bawat clip. Pagbayad ng mga gumagamit: hanggang sa5minuto bawat kahilingan. Mas mahabang audio ay nangangahulugan ng mas mahabang oras ng pag-render at mas mataas na gastos ng character.

Ang isang 30-segundong clip ay may 30,000 character. Ang gastos ay babayaran sa harap mula sa iyong balanse ng character at awtomatikong ibabalik kung ang henerasyon ay nabigo.

Hindi. Ang tool ay naka-off dahil ang modelo lisensya ay hindi pinapayagan ito. SadTalker code ay Apache-2.0, ngunit ang kanyang pinagsama-samang mukha reconstruction network ay nasanay sa Basel Face Model 2009, na ang lisensya ay nagpapahintulot sa panloob, non-komersyal na pananaliksik lamang. Video na nabuo sa pamamagitan ng ito bago Setyembre 15, 2026 ay hindi para sa komersyal na paggamit, bayad na mga plano kasama. Ikaw ay responsable para sa pagkakaroon ng mga karapatan sa pinagmulan mukha imahe at audio na iyong i-upload.

Kapag ang tool ay tumakbo, isang5segundo clip kinuha tungkol sa 30 segundo, scaling humigit-kumulang linearly sa audio haba. Ito ay kasalukuyang hindi magagamit habang kami ay tumingin para sa isang modelo ng pag-uusap-head na lisensya ay nagpapahintulot sa ito.

Buong preset (default) animates ulo pose, blinks, at ekspresyon kasama ang mga labi, paggawa ng isang mas natural na nagsasalita-utak video. Pa rin preset locks ang ulo sa lugar at animates lamang ang bibig — kapaki-pakinabang kapag nais mo ng isang matatag avatar shot.

Ang GFPGAN ay isang modelo ng pagpapanumbalik ng mukha na may mga detalyeng nakatutok sa mukha pagkatapos ng pagrerender. Hindi ito inaalok: ang StyleGAN2 nito ay nasa ilalim ng isang NVIDIA na hindi pang-komersyal na lisensya at ang modelo ng parsing ng mukha nito ay CC BY-NC-SA.

SadTalker ay ipinapakita sa 256 px sa default, na may 512 px bilang isang mas mabagal na pagpipilian. Ang tool ay kasalukuyang hindi magagamit; isang mahusay na ilaw, mataas na kalidad na portrait ay nagbibigay ng pinakamahusay na resulta sa anumang modelo ng pag-uusap-utak.

Oo. I-upload ang isang MP4 o WebM bilang ang mukha input at gagamitin namin ang unang frame bilang ang pagmamaneho ng pagkakakilanlan. Para sa buong video re-dubbing (per-frame bibig replacement), tingnan ang darating na Dubbing Studio video pipeline.

Oo. POST ng isang multipart na kahilingan sa /api/v1/lipsync/ na may mukha at audio field, pagkatapos ay poll /api/v1/lipsync/result/?uuid= hanggang sa katayuan ay "natapos". Ang tugon ay naglalaman ng isang URL sa render MP4. API access ay nangangailangan ng isang bayad na plano.

SadTalker gumagamit ng mukha-alignment upang matukoy at i-crop ang pinaka-kilalang mukha. Para sa pinakamahusay na mga resulta, i-upload ang isang portrait na may isang tao centered, mata nakikita, at minimum na pag-aaksaya. Group larawan ay maaaring makabuo ng hindi inaasahang mga resulta.
5.0/5 (1)

Ano ang maaari naming mapabuti? Tutulong sa amin ang iyong feedback na ayusin ang mga isyu.

Handa nang magsimula?

Mag-sign up para sa libreng at makakuha ng 15,000 mga character. Walang credit card na kinakailangan.

Mag-sign up para sa libreng Tingnan ang Pagpepresyo