Parceiro oficial da BytePlusBytePlus, uma empresa da ByteDance
Parceiro oficial da BytePlus · OmniHuman 2.0
Lip sync com IA: uma foto e uma voz viram um vídeo que fala
Envie uma foto, adicione uma voz e o Lip Sync do KreatorFlow faz a pessoa da imagem falar ou cantar cada palavra, com gestos e expressões naturais. Ele roda no OmniHuman 2.0, o modelo guiado por áudio da ByteDance, e uma só tomada pode durar até 5 minutos.
- Até 5 minutos
- Fala, canto e rap
- Pessoas, personagens e pets
- 720p ou 1080p
- US$ 0,20/s em 720p
Lip Sync é uma ferramenta paga. Duas formas de começar gastando pouco: um teste de 48 horas por US$ 3 (60 créditos, cerca de 15 segundos em 720p; depois o plano Creator continua a US$ 19 no primeiro mês e US$ 25 por mês, a menos que você cancele dentro dessas 48 horas) ou um pacote de créditos a partir de US$ 8 (160 créditos, cerca de 40 segundos em 720p, pagamento único e sem assinatura).
Atualizado em
1 · Foto“Olha só, manga docinha e abacaxi fresquinho, chegou hoje cedo! Leva dois que eu faço um precinho pra você.”
Nesta página
- O que o lip sync com IA faz
- O que ele não faz: anima uma foto, não um vídeo
- Como fazer um vídeo de lip sync em três passos
- O que dá para fazer com ele
- De onde vem a voz
- Quanto custa um vídeo de lip sync
- Usos mais comuns
- Dicas para um resultado natural
- Consentimento e uso responsável
- Perguntas sobre lip sync com IA
- Continue explorando
O que o lip sync com IA faz
Um lip sync com IA pega duas coisas, a imagem de alguém e algo para essa pessoa dizer, e devolve um vídeo dela dizendo aquilo. O Lip Sync do KreatorFlow faz isso com o OmniHuman 2.0, o modelo de vídeo guiado por áudio mais recente da ByteDance. O KreatorFlow é um parceiro oficial da BytePlus, uma empresa da ByteDance e usa o modelo pela BytePlus.
Guiado por áudio quer dizer que o som manda. A boca acompanha as palavras, as sobrancelhas e a cabeça reagem à ênfase, as pausas parecem pausas e uma música é interpretada, não só dublada. A direção em texto, opcional, só acrescenta o que o áudio não diz: um sorriso, um aceno de cabeça ou uma aproximação lenta da câmera.
O que ele não faz: anima uma foto, não um vídeo
Para deixar claro: o Lip Sync parte de uma foto parada. Ele não dubla nem ressincroniza um vídeo que você já tem, e não muda a boca de um clipe gravado. Se você quer que alguém de um vídeo diga outra coisa, use um quadro nítido desse vídeo como foto e gere um vídeo novo com a voz nova. Também não faz conversa entre duas pessoas no mesmo trabalho: cada vídeo é uma foto e uma voz.
Como fazer um vídeo de lip sync em três passos
- 1
Envie uma foto
Uma foto nítida de uma pessoa, um personagem ou um pet: sua, das suas gerações ou dos seus personagens salvos. Funciona melhor com um rosto só, olhando mais ou menos para a câmera, com a boca à mostra.
- 2
Adicione a voz
Envie seu próprio MP3 ou WAV (uma gravação, uma música ou uma fala feita no estúdio de Áudio, inclusive com uma voz clonada) ou escreva um roteiro e escolha uma voz. A faixa pode ter de 4 segundos a 5 minutos.
- 3
Gere e baixe
Escolha 720p ou 1080p, adicione se quiser uma direção de gestos ou câmera e clique em Gerar. O preço aparece antes: US$ 0,20 por segundo em 720p (4 créditos). O vídeo tem a mesma duração do áudio e fica salvo na sua biblioteca.
O que dá para fazer com ele
Até 5 minutos em uma tomada
Qualquer faixa de voz de 4 segundos a 5 minutos. O vídeo tem exatamente a duração do áudio.
Fala, canto e rap
Diálogo, narração, músicas e versos rápidos. O formato dos lábios, a entonação e a emoção seguem a faixa.
Pessoas, personagens e pets
Retratos, personagens de anime e de desenho, personagens 3D, criaturas fantásticas e animais.
Qualquer idioma
O modelo segue o som: português do Brasil ou de Portugal, espanhol, inglês ou o idioma que você tiver em áudio.
Dirija a performance
Até 2.000 caracteres de direção: gestos, emoção, movimentos de câmera.
720p ou 1080p
US$ 0,20 por segundo em 720p (4 créditos); US$ 0,30 por segundo em 1080p (6 créditos).
Quer que a foto cante? Veja fazer uma foto cantar. É um personagem desenhado ou em 3D? Tem o lip sync de desenhos animados.
De onde vem a voz
Uma voz em português do estúdio de Áudio. Escreva a fala no Texto para voz (2 créditos a cada 1.000 caracteres), escolha uma voz em português e depois selecione a fala no Lip Sync. O exemplo acima foi feito com a voz Mateus.
Sua própria gravação. Grave no celular, exporte um MP3 ou WAV e envie. Uma voz limpa, com pouco ruído, dá o movimento de boca mais nítido.
Sua voz clonada. Clone sua voz no estúdio de Áudio (clonagem de voz com IA), faça uma fala com ela e selecione no Lip Sync.
As vozes da página do Lip Sync. São em inglês: servem se o vídeo precisa falar inglês.
Quanto custa um vídeo de lip sync
Preço por segundo iniciado de áudio, do mesmo código com que o estúdio cobra.
Por segundo em 720p
US$ 0,20
4 créditos
Por segundo em 1080p
US$ 0,30
6 créditos
| Duração do áudio | 720p | 1080p |
|---|---|---|
| 4 segundos | 16 créditos | 24 créditos |
| 10 segundos | 40 créditos | 60 créditos |
| 30 segundos | 120 créditos | 180 créditos |
| 1 minuto | 240 créditos | 360 créditos |
| 5 minutos | 1.200 créditos | 1.800 créditos |
O Lip Sync precisa de uma conta paga: o teste de 48 horas, um pacote de créditos a partir de US$ 8 (pagamento único, sem assinatura) ou um plano a partir de US$ 19 no primeiro mês no Creator. Os créditos de um vídeo que falha voltam sozinhos. Todos os preços estão na página de preços.
Usos mais comuns
- Apresentadores de produto e anúncios com uma única foto da marca
- Cursos e treinamentos com o mesmo apresentador em todas as aulas
- Mensagens de aniversário e de agradecimento com a sua própria voz
- Clipes musicais e cantores virtuais a partir de um personagem e uma faixa de voz
- A mesma mensagem em português, espanhol e inglês a partir de uma foto só
- Pets, mascotes e personagens que falam para as redes sociais
Dicas para um resultado natural
- Use uma foto nítida com um só rosto bem visível. Closes e planos médios funcionam melhor que rostos pequenos em planos abertos.
- Deixe a boca e o queixo à mostra: sem mãos, microfones ou cabelo na frente dos lábios.
- Use um áudio limpo. Ruído de fundo e música alta deixam o movimento da boca menos preciso.
- Escreva a direção como frases simples sobre o movimento, por exemplo “Ele sorri e se inclina para a câmera enquanto fala”.
- Teste uma fala curta em 720p antes de uma tomada longa em 1080p.
Consentimento e uso responsável
Use só fotos suas ou de pessoas que deram permissão. Para fazer uma pessoa real falar você precisa do consentimento dela, e nunca pode se passar por outra pessoa. A voz e a música também precisam ser suas ou ter direitos de uso. Nada de conteúdo sexual nem nada com menores de 18 anos. Ao publicar um vídeo realista de uma pessoa real, informe que ele foi gerado com IA. As regras completas estão na política de uso aceitável.
Perguntas sobre lip sync com IA
O que é lip sync com IA?
É transformar uma foto parada e uma faixa de áudio em um vídeo em que a pessoa da foto fala ou canta esse áudio. No KreatorFlow, isso roda no OmniHuman 2.0, o modelo de vídeo guiado por áudio da ByteDance: os lábios acompanham cada palavra, e o rosto, a cabeça e os ombros se mexem com o ritmo e a emoção da voz.
Dá para sincronizar os lábios de um vídeo que eu já tenho?
Não. O Lip Sync anima uma foto, não um vídeo que já existe: ele cria um vídeo novo a partir de uma imagem parada e de uma voz, e não muda a boca de um clipe gravado. Se você tem um vídeo da pessoa, pegue um quadro nítido em que ela olhe para a câmera e use como foto.
Quanto custa?
US$ 0,20 por segundo em 720p (4 créditos) e US$ 0,30 por segundo em 1080p (6 créditos), por segundo iniciado, com mínimo de 4 segundos. Um clipe de 10 segundos custa 40 créditos em 720p, e um minuto, 240 créditos. Você vê o preço exato antes de gerar, e se o vídeo falhar os créditos voltam sozinhos.
Preciso de um plano pago?
Sim, o Lip Sync é pago. Dá para começar com o teste de 48 horas ou com um pacote de créditos a partir de US$ 8, sem assinatura, ou com qualquer plano, a partir de US$ 19 no primeiro mês no Creator. As duas resoluções estão em todas as contas pagas.
Funciona em português?
Sim. O modelo segue o som, então a voz pode estar em qualquer idioma ou sotaque. As vozes da página do Lip Sync são em inglês; para português, crie a fala no Texto para voz do estúdio de Áudio (2 créditos a cada 1.000 caracteres) ou envie sua própria gravação. O exemplo desta página foi feito assim, com a voz Mateus.
Quanto tempo pode ter um vídeo?
O mesmo que o seu áudio: de 4 segundos a 5 minutos por geração. Dá para uma apresentação, uma aula, um trecho de podcast ou uma música inteira em uma só tomada.
Dá para cantar, e não só falar?
Sim. O OmniHuman 2.0 acompanha músicas e rap rápido, além da fala. Envie a faixa de voz; uma voz limpa com pouca música de fundo dá o movimento de boca mais preciso.
Posso usar a foto de outra pessoa?
Só com permissão. Você precisa ser a pessoa da foto ou ter o consentimento dela para fazê-la falar, e ter o direito de usar a voz e a música. O site pede essa confirmação para cada foto nova. Famosos e figuras públicas não são permitidos sem permissão, e nada sexual ou envolvendo menores.
Faça seu primeiro vídeo que fala
Abra o Lip Sync, adicione uma foto e uma voz e veja o preço antes de gerar. Com qualquer plano pago, o teste de 48 horas ou um pacote de créditos a partir de US$ 8.