Black Friday sale50% OFFyour first month

Get 50% off

অফিসিয়াল BytePlus পার্টনারBytePlus, ByteDance-এর একটি কোম্পানি

অফিসিয়াল BytePlus পার্টনার · OmniHuman 2.0

এআই লিপ সিঙ্ক: ছবি ও ভয়েস থেকে কথা বলার ভিডিও তৈরি করুন

একটি ছবি আপলোড করুন, একটি ভয়েস ট্র্যাক যোগ করুন, এবং ছবির ব্যক্তিটি স্বাভাবিক অভিব্যক্তি ও গতিশীলতার সাথে প্রতিটি শব্দ উচ্চারণ বা গান গাইবে। এটি ByteDance-এর অডিও-চালিত মডেল OmniHuman 2.0-এর উপর চালিত হয়, যেখানে একটি টেক-এর দৈর্ঘ্য সর্বোচ্চ 5 মিনিট পর্যন্ত হতে পারে।

  • সর্বোচ্চ 5 মিনিট
  • কথা, গান ও র‍্যাপ
  • মানুষ, চরিত্র ও প্রাণী
  • 720p অথবা 1080p
  • 4 ক্রেডিট প্রতি সেকেন্ড

Lip Sync একটি পেইড টুল। অল্প খরচে শুরু করার দুটি উপায়: 48 ঘণ্টার ট্রায়াল, $3-এ (60 ক্রেডিট, 720p-এ প্রায় 15 সেকেন্ড; এরপর আপনি 48 ঘণ্টার মধ্যে বাতিল না করলে Creator প্রথম মাসে $19 এবং তারপর $25/মাসে চলতে থাকে; Pro (60 ক্রেডিট, এরপর $49/মাস) অথবা Max (60 ক্রেডিট, এরপর $99/মাস)-এও পাওয়া যায়) অথবা $8 থেকে শুরু হওয়া একটি ক্রেডিট প্যাক (160 ক্রেডিট, 720p-এ প্রায় 40 সেকেন্ড, প্ল্যান ছাড়া একবারের পেমেন্ট)।

এই পেজে
  1. এআই লিপ সিঙ্ক দিয়ে কী তৈরি করা যায়
  2. তিন ধাপে লিপ সিঙ্ক ভিডিও তৈরি করুন
  3. তৈরি করা ভিডিও
  4. ভয়েস কোথা থেকে আসে?
  5. এআই লিপ সিঙ্ক: ফটো + ভয়েস থেকে কথা বলার ভিডিও
  6. জনপ্রিয় ব্যবহার
  7. প্রাকৃতিক ফলাফলের জন্য টিপস
  8. এআই লিপ সিঙ্ক সম্পর্কে সাধারণ প্রশ্নাবলী
  9. আরও অন্বেষণ করুন

এআই লিপ সিঙ্ক দিয়ে কী তৈরি করা যায়

একটি এআই লিপ সিঙ্ক দুটি জিনিস নেয়, একজন ব্যক্তির ছবি এবং তাদের যা বলতে হবে, এবং সেই ব্যক্তিটি যা বলছে তার একটি ভিডিও ফেরত দেয়। KreatorFlow Lip Sync এটি করে OmniHuman 2.0 ByteDance-এর সর্বশেষ অডিও-চালিত ভিডিও মডেলের মাধ্যমে। KreatorFlow হল BytePlus-এর অফিসিয়াল পার্টনার, যা ByteDance-এর একটি কোম্পানি এবং মডেলটি BytePlus-এর মাধ্যমে চালায়।

অডিও-চালিত মানে অডিওই নেতৃত্ব দেয়। মুখের নড়াচড়া শব্দের সাথে মিলে যায়, ভ্রু এবং মাথা জোরের প্রতিক্রিয়া দেখায়, বিরতি বিরতি মনে হয়, এবং একটি গান শুধু মুখের নড়াচড়া নয় বরং পরিবেশন করা হয়। লিখিত নির্দেশনা শুধুমাত্র অডিও যা বলতে পারে না, যেমন একটি হাসি, মাথা নাড়ানো বা ধীরে ক্যামেরা সামনে আসার মতো বিষয়গুলোর জন্য যথেষ্ট।

একটি জেনারেশন চলতে পারে সর্বোচ্চ 5 মিনিট পর্যন্ত, তাই একটি সম্পূর্ণ বক্তৃতা, পাঠ, পণ্যের ওয়াকথ্রু বা গান শুরু থেকে শেষ পর্যন্ত একই মুখ নিয়ে একটি অবিচ্ছিন্ন টেক হতে পারে, ছোট ক্লিপগুলি একসাথে লাগানোর পরিবর্তে।

তিন ধাপে লিপ সিঙ্ক ভিডিও তৈরি করুন

  1. 1

    একটি ছবি যোগ করুন

    একটি পরিষ্কার ছবি আপলোড করুন যেখানে কোনো ব্যক্তি, চরিত্র বা পোষ্য প্রাণী আছে, অথবা আপনার আপলোড, জেনারেশন বা সংরক্ষিত চরিত্র থেকে একটি বেছে নিন। একটি মুখ, যা প্রায় ক্যামেরার দিকে তাকিয়ে আছে এবং মুখ খোলা, সবচেয়ে ভালো কাজ করে।

  2. 2

    ভয়েস যোগ করুন

    একটি স্ক্রিপ্ট লিখুন এবং আমাদের ভয়েসগুলোর মধ্যে একটি বেছে নিন, অথবা আপনার নিজের MP3 বা WAV ফাইল যোগ করুন: একটি রেকর্ডিং, একটি গান বা অডিও স্টুডিওতে তৈরি করা ভয়েস লাইন, যার মধ্যে আপনার ক্লোন করা ভয়েসও থাকতে পারে। ট্র্যাকটি 4 সেকেন্ড থেকে 5 মিনিট পর্যন্ত দীর্ঘ হতে পারে।

  3. 3

    জেনারেট করুন এবং ডাউনলোড করুন

    720p বা 1080p বেছে নিন, গেসচার এবং ক্যামেরার জন্য ঐচ্ছিক নির্দেশনা যোগ করুন এবং জেনারেট করুন। প্রথম প্রদর্শিত মূল্য: 720p-তে প্রতি সেকেন্ডে 4 ক্রেডিট, 1080p-তে 6 ক্রেডিট। ভিডিওটি অডিওর মতোই দীর্ঘ এবং আপনার লাইব্রেরিতে চলে আসবে।

তৈরি করা ভিডিও

একটি টেক-এ সর্বোচ্চ 5 মিনিট পর্যন্ত

ভয়েস ট্র্যাক 4 সেকেন্ড থেকে 5 মিনিট পর্যন্ত দৈর্ঘ্যের হতে পারে, এবং ভিডিওর দৈর্ঘ্য ঠিক শব্দের দৈর্ঘ্যের সমান।

কথা বলার ছবি, গান গাওয়া ছবি

কথোপকথন, বর্ণনা, গান, দ্রুত র‍্যাপ পর্যন্ত। ঠোঁটের আকৃতি, উচ্চারণ ও আবেগ ভয়েস ট্র্যাক অনুসরণ করে।

মানুষ, চরিত্র, প্রাণী

পোর্ট্রেট, অ্যানিমে ও কার্টুন চরিত্র, 3D চরিত্র, ফ্যান্টাসি সৃষ্টি ও প্রাণী অ্যানিমেট করা যেতে পারে।

যেকোনো ভাষা

মডেলটি শব্দ অনুসরণ করে, তাই যেকোনো ভাষা বা উপভাষা ব্যবহার করা যেতে পারে যতক্ষণ না শব্দ আছে।

গতিশীল নির্দেশনা

গতিশীলতা, আবেগ, ক্যামেরা গতিশীলতা ও পটভূমির ঘটনা 2,000 অক্ষর পর্যন্ত লিখুন।

720p অথবা 1080p

720p-তে প্রতি সেকেন্ডে 4 ক্রেডিট এবং 1080p-তে প্রতি সেকেন্ডে 6 ক্রেডিট, জেনারেশনের আগে দেখানো হয়।

ভয়েস কোথা থেকে আসে?

আমাদের রোবট। ব্যক্তিটি যা বলবে তা লিখুন এবং Lip Sync পৃষ্ঠায় বিল্ট-ইন ইংরেজি রোবটগুলির মধ্যে একটি বেছে নিন। রোবট লাইনটি প্রথমে Text to Speech (2 ক্রেডিট প্রতি ১,০০০ অক্ষরে) দিয়ে তৈরি করা হয়, তারপর ভিডিও।

আপনার নিজের রেকর্ডিং। আপনার ফোনে নিজেকে রেকর্ড করুন, একটি MP3 বা WAV এক্সপোর্ট করুন এবং আপলোড করুন। পরিষ্কার কথা বলার সময় কম ব্যাকগ্রাউন্ড নয়েজ থাকলে মুখের নড়াচড়া সবচেয়ে স্পষ্ট হয়।

Audio স্টুডিও থেকে একটি রোবট। একটি লাইন তৈরি করুন Text to Speech একাধিক ভাষা এবং রোবটের জন্য বা আপনার নিজের রোবট ক্লোন করুন। আপনি যে রোবট লাইনগুলি তৈরি করেছেন তা Lip Sync অডিও পিকারে দেখা যায়।

একটি গান। একটি ভোকাল ট্র্যাক আপলোড করুন যার জন্য আপনার অধিকার আছে। যদি আপনার কাছে শুধুমাত্র সম্পূর্ণ মিক্স থাকে, তবে কম শব্দের সংস্করণটি বেশি শব্দের চেয়ে ভালো কাজ করে।

এআই লিপ সিঙ্ক: ফটো + ভয়েস থেকে কথা বলার ভিডিও

প্রতি শুরু হওয়া সেকেন্ডের জন্য ক্রেডিট, যা স্টুডিও যে কোড ব্যবহার করে চার্জ করে, সেই কোড থেকে নেওয়া হয়েছে।

720p প্রতি সেকেন্ডে

4

ক্রেডিট

1080p প্রতি সেকেন্ডে

6

ক্রেডিট

অডিও দৈর্ঘ্য এবং রেজোলিউশন অনুযায়ী Lip Sync ক্রেডিট
অডিও দৈর্ঘ্য720p1080p
4 সেকেন্ড16 ক্রেডিট24 ক্রেডিট
10 সেকেন্ড40 ক্রেডিট60 ক্রেডিট
30 সেকেন্ড120 ক্রেডিট180 ক্রেডিট
1 মিনিট240 ক্রেডিট360 ক্রেডিট
5 মিনিট1,200 ক্রেডিট1,800 ক্রেডিট

সবচেয়ে ছোট বিলযোগ্য ক্লিপটি হল 4 সেকেন্ড, এবং সবচেয়ে দীর্ঘ ভিডিওটি, 5 মিনিট খরচ হয় 1,200 ক্রেডিট 720p-তে। Lip Sync-এর জন্য একটি পেমেন্ট অ্যাকাউন্ট প্রয়োজন: একটি সাবস্ক্রিপশন ( Creator প্রথম $19 প্রথম মাসের জন্য) বা একটি ক্রেডিট প্যাক ( $8) থেকে, যেকোনো একটি থাকলেই যথেষ্ট। একটি ভিডিও ব্যর্থ হলে ক্রেডিট স্বয়ংক্রিয়ভাবে ফিরে আসে। দেখুন মূল্য. মূল্য মার্কিন ডলারে।

জনপ্রিয় ব্যবহার

  • একটি ব্র্যান্ড ফটো থেকে পণ্য প্রেজেন্টার এবং স্পোকেন অ্যাড
  • প্রতিটি পাঠে একই প্রেজেন্টার সহ কোর্স ব্যাখ্যা এবং প্রশিক্ষণ ভিডিও
  • একটি ফটো থেকে জন্মদিন এবং ধন্যবাদ বার্তা, আপনার নিজের ভয়েসে
  • একটি চরিত্র এবং ভোকাল ট্র্যাক থেকে মিউজিক ভিডিও এবং ভার্চুয়াল সঙ্গীতশিল্পী
  • একটি ফটো থেকে একাধিক ভাষায় একই বার্তা
  • স্ক্রিনে একটি মুখ সহ অডিওবুক, পডকাস্ট এবং খবরের অংশ
  • সোশ্যাল পোস্টের জন্য কথা বলতে থাকা মাসকট, পোষা প্রাণী এবং কার্টুন চরিত্র

প্রাকৃতিক ফলাফলের জন্য টিপস

  • একটি স্পষ্ট ছবি ব্যবহার করুন যেখানে একটি স্পষ্ট মুখ দেখা যায়। ক্লোজ-আপ এবং হাফ-বডি শট সবচেয়ে ভালো কাজ করে; প্রশস্ত শটে ছোট মুখ কাজ করে না।
  • মুখ এবং চোয়াল খোলা রাখুন: হাত, মাইক্রোফোন বা চুল ঠোঁটের উপর থাকবে না।
  • পরিষ্কার অডিও ব্যবহার করুন। ব্যাকগ্রাউন্ড নয়েজ এবং উচ্চ শব্দের সংগীত মুখের নড়াচড়া কম সঠিক করে।
  • নির্দেশনা সাধারণ বাক্য হিসেবে লিখুন শুধুমাত্র নড়াচড়া সম্পর্কে, উদাহরণস্বরূপ "সে হাসে, তারপর কথা বলার সময় ক্যামেরার দিকে ঝুঁকে পড়ে"। ছবিতে যা আগে থেকেই আছে তা বর্ণনা করবেন না।
  • 1080p-তে একটি দীর্ঘ টেক রেন্ডার করার আগে 720p-তে একটি ছোট লাইন পরীক্ষা করুন।

সম্মতি এবং দায়িত্বশীল ব্যবহার

এআই লিপ সিঙ্ক ছবিতে থাকা ব্যক্তিদের অডিওটি ঠিক যেমন তা বলতে বা গান গাইতে দেয়। তাই নিয়মগুলি স্পষ্ট। একটি নতুন ছবি দিয়ে প্রথম জেনারেশনের সময় ওয়েবসাইট আপনাকে নিশ্চিত করতে বলে যে এটি আপনি অথবা আপনার কাছে সম্মতি আছে। ক্রেডিট ডেবিট করার আগে ছবিটি পরীক্ষা করা হয়, এবং নগ্নতা বা অপ্রাপ্তবয়স্কদের ছবি অনুমোদিত নয়।

  • নিজস্ব ছবি বা অনুমতিপ্রাপ্ত ব্যক্তির ছবি ব্যবহার করুন। আপনার নিজস্ব চরিত্র, প্রাণী বা চিত্রকর্ম ব্যবহার করা যাবে।
  • যে ভয়েসের ব্যবহারের অধিকার আছে, সেটি ব্যবহার করুন: নিজস্ব, স্ট্যান্ডার্ড, অনুমতিসহ ক্লোনড বা অনুমোদিত রেকর্ডিং। সঙ্গীত ও গানের ক্ষেত্রেও একই নিয়ম প্রযোজ্য।
  • যৌন বিষয়বস্তু, ১৮ বছরের কম বয়সী ব্যক্তি সম্পর্কিত বিষয়বস্তু এবং অন্যের পরিচয়ে প্রবেশ করা নিষিদ্ধ। বাস্তব ব্যক্তিদের এমন কথা বলানো যেন তারা কখনো বলেনি, তা প্রতারণা, হয়রানি বা ভুল তথ্য ছড়ানোর জন্য করা যাবে না।
  • জনপ্রিয় ব্যক্তি, যারা সেলিব্রিটি বা রাজনীতিবিদ, তাদের ছবি ব্যবহার করতে হলে তাদের অনুমতি ও অধিকার প্রয়োজন।
  • যখন আপনি কোনো বাস্তব ব্যক্তির কথা বলার ভিডিও আপলোড করবেন, তখন ভিডিওটি এআই দিয়ে তৈরি হয়েছে তা চিহ্নিত করুন। অনেক প্ল্যাটফর্ম এই চিহ্নিতকরণ বাধ্যতামূলক করে।

নিষিদ্ধ বিষয়গুলির একটি সম্পূর্ণ তালিকা রয়েছে ব্যবহারকারীর শর্তাবলী (ইংরেজি).

এআই লিপ সিঙ্ক সম্পর্কে সাধারণ প্রশ্নাবলী

এআই লিপ সিঙ্ক কী?

এআই লিপ সিঙ্ক একটি স্থির ছবি এবং একটি অডিও ট্র্যাককে এমন একটি ভিডিওতে রূপান্তর করে যেখানে ছবির ব্যক্তিটি সেই অডিও কথা বলে বা গায়। KreatorFlow-এ এটি OmniHuman 2.0-এ চলে, ByteDance-এর অডিও-চালিত ভিডিও মডেল: ঠোঁট প্রতিটি শব্দ অনুসরণ করে, এবং মুখ, মাথা এবং উপরের শরীর ভয়েসের তাল এবং আবেগের সাথে নড়ে।

একটি লিপ সিঙ্ক ভিডিও কত দীর্ঘ হতে পারে?

ভিডিওটি আপনার অডিওর মতোই দীর্ঘ: প্রতি জেনারেশনে 4 সেকেন্ড থেকে 5 মিনিট পর্যন্ত। এটি একটি পূর্ণ প্রেজেন্টেশন, একটি পাঠ, একটি পডকাস্ট অংশ বা একটি পুরো গান একবারে করার জন্য যথেষ্ট দীর্ঘ।

এআই লিপ সিঙ্ক কত খরচ হয়?

720p-তে অডিওর প্রতি সেকেন্ডে 4 ক্রেডিট এবং 1080p-তে 6 ক্রেডিট, প্রতি শুরু হওয়া সেকেন্ডে গণনা করা হয়, 4 সেকেন্ডের ন্যূনতম সহ। ১০ সেকেন্ডের একটি ক্লিপ 720p-তে 40 ক্রেডিট, এক মিনিটের জন্য 240 ক্রেডিট খরচ হয়। জেনারেট করার আগে সঠিক মূল্য দেখানো হয় এবং একটি ব্যর্থ ভিডিও ক্রেডিট ফেরত দেয়।

আমার কি একটি প্রদত্ত প্ল্যান প্রয়োজন?

হ্যাঁ। লিপ সিঙ্ক যেকোনো প্রদত্ত প্ল্যান বা ক্রেডিট প্যাকেটে কাজ করে। প্ল্যানগুলি $19 দিয়ে শুরু হয় Creator-এর জন্য প্রথম মাসে, এবং সবচেয়ে ছোট ক্রেডিট প্যাকেটটি $8 খরচ হয় 160 ক্রেডিট-এর জন্য। উভয় রেজোলিউশন প্রতিটি প্রদত্ত অ্যাকাউন্টে উপলব্ধ।

ছবিটি কি শুধু কথা বলতে পারে না, গানও গাইতে পারে?

হ্যাঁ। OmniHuman 2.0 কথা বলার পাশাপাশি গান এবং দ্রুত র্যাপও অনুসরণ করে, মুখ, উচ্চারণ এবং আবেগ ট্র্যাক অনুসরণ করে। ভোকাল ট্র্যাক আপলোড করুন; কম ব্যাকগ্রাউন্ড মিউজিক সহ একটি পরিষ্কার ভোকাল সবচেয়ে সঠিক মুখের নড়াচড়া দেয়।

লিপ সিঙ্ক কোন ভাষায় কাজ করে?

মডেলটি অডিওর শব্দ অনুসরণ করে, তাই ভয়েস ট্র্যাক যেকোনো ভাষায় হতে পারে। লিপ সিঙ্ক পৃষ্ঠায় বিল্ট-ইন ভয়েসগুলি ইংরেজি; অন্য ভাষার জন্য, অডিও স্টুডিওতে ভয়েস লাইন তৈরি করুন অথবা আপনার নিজের রেকর্ডিং আপলোড করুন।

এটি কি কার্টুন, 3D চরিত্র এবং প্রাণীদের সাথে কাজ করে?

হ্যাঁ। বাস্তব মানুষের পাশাপাশি, OmniHuman 2.0 অ্যানিমে এবং কার্টুন চরিত্র, 3D চরিত্র, ফ্যান্টাসি সৃষ্টি এবং প্রাণীদের, যেমন একটি বিড়াল বা একটি র্যাকুন, অ্যানিমেট করে, যতক্ষণ না মুখ পরিষ্কার থাকে।

আমি কি অন্য কারো ছবি ব্যবহার করতে পারি?

শুধুমাত্র তাদের অনুমতি সহ। আপনাকে ছবির ব্যক্তি হতে হবে অথবা তাদের কথা বলার জন্য তাদের সম্মতি নিতে হবে, এবং আপনাকে ভয়েস এবং যেকোনো মিউজিক ব্যবহারের অধিকার থাকতে হবে। ওয়েবসাইটটি প্রতিটি নতুন ছবির জন্য এটি নিশ্চিত করতে আপনাকে বলে। অনুমতি ছাড়া সেলিব্রিটি এবং জনসাধারণের ব্যক্তিদের অনুমতি নেই, এবং যেকোনো যৌন বা অপ্রাপ্তবয়স্কদের জড়িত কিছু অনুমোদিত নয়।

আমি কি আমার নিজের ভয়েস বা একটি ক্লোন করা ভয়েস ব্যবহার করতে পারি?

হ্যাঁ। আপনার নিজের একটি রেকর্ডিং আপলোড করুন, অথবা অডিও স্টুডিওতে আপনার ভয়েস ক্লোন করুন, এর সাথে একটি ভয়েস লাইন তৈরি করুন এবং লিপ সিঙ্কে সেই লাইন বেছে নিন। বিল্ট-ইন ভয়েসগুলি ভিডিওর উপর ভিত্তি করে লাইনের জন্য টেক্সট টু স্পিচ মূল্য (2 ক্রেডিট প্রতি ১,০০০ অক্ষরে) খরচ হয়।

একটি লিপ সিঙ্ক API আছে কি?

হ্যাঁ। ডেভেলপাররা একটি ছবি এবং একটি ভয়েস ট্র্যাক সহ /v1/lip-sync কল করতে পারে এবং প্রিপেইড টোকেনে প্রতি সেকেন্ডে পরিশোধ করতে পারে: 720p-তে প্রতি সেকেন্ডে $0.20 এবং 1080p-তে $0.30। OmniHuman API পৃষ্ঠা দেখুন।

আপনার প্রথম কথা বলার ভিডিও তৈরি করুন

লিপ সিঙ্ক খুলুন, একটি ছবি এবং একটি ভয়েস যোগ করুন, এবং জেনারেট করার আগে মূল্য দেখুন। এটি যেকোনো পেমেন্ট প্ল্যান বা ক্রেডিট প্যাক দিয়ে পাওয়া যায়।

Lip Sync একটি পেইড টুল। অল্প খরচে শুরু করার দুটি উপায়: 48 ঘণ্টার ট্রায়াল, $3-এ (60 ক্রেডিট, 720p-এ প্রায় 15 সেকেন্ড; এরপর আপনি 48 ঘণ্টার মধ্যে বাতিল না করলে Creator প্রথম মাসে $19 এবং তারপর $25/মাসে চলতে থাকে; Pro (60 ক্রেডিট, এরপর $49/মাস) অথবা Max (60 ক্রেডিট, এরপর $99/মাস)-এও পাওয়া যায়) অথবা $8 থেকে শুরু হওয়া একটি ক্রেডিট প্যাক (160 ক্রেডিট, 720p-এ প্রায় 40 সেকেন্ড, প্ল্যান ছাড়া একবারের পেমেন্ট)।

আরও অন্বেষণ করুন