พันธมิตรอย่างเป็นทางการของ BytePlusBytePlus บริษัทในเครือ ByteDance

พันธมิตรอย่างเป็นทางการของ BytePlus · OmniHuman 2.0

AI Lip Sync: สร้างวิดีโอพูดจากรูปภาพและเสียง

อัปโหลดรูปภาพ เพิ่มเสียง และบุคคลในภาพจะพูดหรือร้องเพลงทุกคำด้วยสีหน้าและการเคลื่อนไหวที่เป็นธรรมชาติ ทำงานด้วย OmniHuman 2.0 โมเดลที่ขับเคลื่อนด้วยเสียงจาก ByteDance ในครั้งเดียวได้ถึง 5 นาที

สูงสุด 5 นาที
พูด ร้องเพลง แร็พ
คน ตัวละคร สัตว์
720p หรือ 1080p
4 เครดิต ต่อวินาที

เปิด Lip Sync ทดลองใช้ 48 ชั่วโมง ในราคา $3

Lip Sync เป็นฟีเจอร์เสียค่าใช้จ่าย เริ่มต้นด้วยค่าใช้จ่ายน้อยได้ 2 วิธี: ทดลองใช้ 48 ชั่วโมง ราคา $3 (60 เครดิต, ประมาณ 15 วินาที ที่ 720p; หลังจากนั้นแพ็กเกจ Creator จะดำเนินต่อที่ $19 ในเดือนแรก และ $25/เดือน ยกเว้นคุณยกเลิกภายใน 48 ชั่วโมงนั้น; ยังมีให้เลือกใน Pro (120 เครดิต, จากนั้น $49/เดือน) หรือ Max (200 เครดิต, จากนั้น $99/เดือน)) หรือ แพ็กเกจเครดิตเริ่มต้นที่ $8 (160 เครดิต, ประมาณ 40 วินาที ที่ 720p, จ่ายครั้งเดียวไม่มีค่าสมาชิก).

อัปเดตล่าสุด: 13 พฤศจิกายน 2569

บนหน้านี้

สิ่งที่คุณสามารถสร้างด้วย AI Lip Sync
สร้างวิดีโอ Lip Sync ใน 3 ขั้นตอน
วิดีโอที่คุณสามารถสร้าง
เสียงมาจากไหน?
ราคาวีดีโอ Lip Sync
ใช้บ่อยที่สุดสำหรับ
เคล็ดลับเพื่อให้ผลลัพธ์เป็นธรรมชาติ
คำถามที่พบบ่อยเกี่ยวกับ AI Lip Sync
ดูเพิ่มเติม

สิ่งที่คุณสามารถสร้างด้วย AI Lip Sync

AI Lip Sync รับสองสิ่ง: รูปภาพของบุคคลและสิ่งที่พวกเขาจะพูด ผลลัพธ์คือวิดีโอที่บุคคลนั้นพูดจริงๆ Lip Sync ใน KreatorFlow ใช้ OmniHuman 2.0 โมเดลวิดีโอที่ขับเคลื่อนด้วยเสียงล่าสุดจาก ByteDance KreatorFlow คือ พันธมิตรอย่างเป็นทางการของ BytePlus บริษัทในเครือ ByteDance และรันโมเดลนี้ผ่าน BytePlus

การขับเคลื่อนด้วยเสียงหมายความว่าเสียงเป็นผู้นำวิดีโอ การขยับปากตรงกับคำ คิ้วและหัวตอบสนองต่อจังหวะ การหยุดพักดูเหมือนการหยุดพัก และเพลงดูเหมือนถูกร้องจริงๆ ไม่ใช่แค่ปากที่ ถูกจับคู่ คำแนะนำที่เป็นข้อความเพียงพอสำหรับสิ่งที่ไม่ได้มาจากเสียง เช่น ยิ้มพยักหน้า หรือกล้องที่ เข้าใกล้ช้าๆ

สร้างได้ครั้งเดียวถึง 5 นาที ดังนั้นบทสนทนา เนื้อหาชั้นเรียน การแนะนำผลิตภัณฑ์ หรือเพลง เต็มหนึ่งเพลงสามารถเป็นวิดีโอเดียวโดยไม่ขาดหายด้วยใบหน้าเดียวกัน โดยไม่ต้องต่อคลิปสั้นๆ

สร้างวิดีโอ Lip Sync ใน 3 ขั้นตอน

1
อัปโหลดรูปภาพ
อัปโหลดภาพที่ชัดเจนของบุคคล ตัวละคร หรือสัตว์เลี้ยง หรือเลือกจากไฟล์ที่อัปโหลดไว้แล้ว ภาพที่คุณสร้าง หรือตัวละครที่บันทึกไว้ ผลลัพธ์จะดีที่สุดจากภาพที่มีใบหน้าเดียวหันเข้าหากล้องและปากไม่ถูกปิดบัง
2
เพิ่มเสียง
พิมพ์สคริปต์แล้วเลือกเสียงมาตรฐาน หรืออัปโหลดเสียงบันทึกของคุณเอง เพลง หรือไฟล์เสียงจากสตูดิโอเสียง (MP3 หรือ WAV) ความยาวเสียงสามารถ 4 วินาที ถึง 5 นาที
3
สร้างและดาวน์โหลด
เลือก 720p หรือ 1080p เพิ่มคำแนะนำการเคลื่อนไหวและกล้องถ้าต้องการ แล้วกดสร้าง ราคาจะแสดงก่อน: 4 เครดิต ต่อวินาทีที่ 720p และ 6 เครดิต ต่อวินาทีที่ 1080p ความยาววิดีโอจะเท่ากับเสียงและผลลัพธ์จะถูกเก็บไว้ในไลบรารี

วิดีโอที่คุณสามารถสร้าง

ครั้งเดียวถึง 5 นาที

เสียงสามารถ 4 วินาที ถึง 5 นาที และความยาววิดีโอจะเท่ากับเสียงพอดี

รูปพูด รูปร้องเพลง

บทสนทนา การบรรยาย เพลง ถึงแร็ปร็ว การขยับปาก น้ำเสียง และอารมณ์จะติดตามเสียง

คน ตัวละคร สัตว์

ภาพบุคคล ตัวละครอนิเมะและการ์ตูน ตัวละคร 3D สิ่งมีชีวิตแฟนตาซี และสัตว์สามารถเคลื่อนไหวได้

ภาษาใดก็ได้

โมเดลติดตามเสียง ดังนั้นภาษาไทยและภาษาหรือสำเนียงอื่นสามารถใช้งานได้เลยตราบใดที่มีเสียง

คำแนะนำการเคลื่อนไหว

เขียนการเคลื่อนไหว อารมณ์ การเคลื่อนไหวกล้อง และเหตุการณ์ในฉากหลังได้ถึง 2,000 ตัวอักษร

720p หรือ 1080p

4 เครดิต ต่อวินาทีที่ 720p และ 6 เครดิต ต่อวินาทีที่ 1080p แสดงก่อนสร้าง

เสียงมาจากไหน?

เสียงมาตรฐาน. พิมพ์สิ่งที่ต้องการพูดและเลือกเสียงภาษาอังกฤษหนึ่งในหน้าจอ Lip Sync บทสนทนาจะถูกสร้างก่อนด้วย Text to Speech (2 เครดิต ต่อ 1,000 ตัวอักษร) แล้วจึงสร้างวิดีโอ

เสียงบันทึกของคุณเอง. บันทึกด้วยโทรศัพท์และอัปโหลดเป็น MP3 หรือ WAV ยิ่งเสียงสะอาดและ มีเสียงรบกวนน้อย การขยับปากจะยิ่งชัดเจน

เสียงจากสตูดิโอเสียง. สร้างบทสนทนากับ Text to Speech ในหลายภาษาและเสียง รวมทั้ง ภาษาไทย หรือโคลนนิ่งเสียงของคุณเอง ไฟล์เสียงที่คุณสร้างจะปรากฏในรายการเสียง Lip Sync

เพลง. อัปโหลดแทร็กเสียงร้องที่คุณมีสิทธิ์ใช้ หากมีเพียงมิกซ์เต็ม เวอร์ชัน ที่ดนตรีประกอบเบากว่าผลลัพธ์จะตรงกันมากขึ้น

ราคาวีดีโอ Lip Sync

เครดิตคำนวณสำหรับทุกวินาทีเสียงที่เริ่ม จากโค้ดเดียวกันที่ใช้ในสตูดิโอเมื่อตัดเครดิต

720p ต่อวินาที

เครดิต

1080p ต่อวินาที

เครดิต

เครดิต Lip Sync ตามความยาวเสียงและความละเอียด
ความยาวเสียง	720p	1080p
4 วินาที	16 เครดิต	24 เครดิต
10 วินาที	40 เครดิต	60 เครดิต
30 วินาที	120 เครดิต	180 เครดิต
1 นาที	240 เครดิต	360 เครดิต
5 นาที	1,200 เครดิต	1,800 เครดิต

ความยาวขั้นต่ำที่คำนวณคือ 4 วินาที และวิดีโอที่ยาวที่สุด 5 นาที ต้องการ 1,200 เครดิต ที่ 720p Lip Sync ต้องการบัญชีเสียเงิน: แพ็กเกจ (Creator เริ่มต้น $19 ในเดือนแรก) หรือแพ็กเกจเครดิต (เริ่มต้น $8) อย่างใดอย่างหนึ่ง ก็พอ เครดิตสำหรับวิดีโอที่ล้มเหลวจะถูกคืนอัตโนมัติ แพ็กเกจทั้งหมดอยู่ที่หน้า ราคา ราคาเป็นดอลลาร์สหรัฐ

ใช้บ่อยที่สุดสำหรับ

วิดีโอแนะนำผลิตภัณฑ์และแบบโฆษณาจากรูปภาพแบรนด์เดียว
วิดีโอชั้นเรียนและการฝึกอบรมด้วยผู้บรรยายคนเดียวกันในทุกเซสชัน
คำอวยพรวันเกิดและขอบคุณจากรูปภาพและเสียงของคุณเอง
วิดีโอเพลงและนักร้องเสมือนจากตัวละครและแทร็กเสียงร้อง
ข้อความเดียวกันในหลายภาษาจากรูปภาพเดียว
หนังสือเสียง พอดแคสต์ และวิดีโอข่าวด้วยใบหน้า
มาสคอต สัตว์เลี้ยง และตัวละครการ์ตูนที่พูดสำหรับโซเชียลมีเดีย

เคล็ดลับเพื่อให้ผลลัพธ์เป็นธรรมชาติ

ใช้ภาพที่คมชัดด้วยใบหน้าเดียวที่มองเห็นชัดเจน ภาพระยะใกล้และครึ่งตัวดีที่สุด; ภาพระยะไกลด้วยใบหน้าเล็กไม่เหมาะ
อย่าปิดปากและคาง มือ ไมโครโฟน หรือผมไม่ควรปิดริมฝีปาก
ใช้เสียงที่สะอาด เสียงรบกวนและดนตรีพื้นหลังที่ดังทำให้การขยับปากไม่แม่นยำ
เขียนคำแนะนำการเคลื่อนไหวเท่านั้น ด้วยประโยคธรรมดา ตัวอย่างเช่น “ยิ้มขณะพูดแล้วเอียงตัวเข้าหา กล้อง” สิ่งที่มีอยู่แล้วในภาพไม่จำเป็นต้องอธิบาย
ก่อนสร้างวิดีโอยาวที่ 1080p ลองบทสนทนาย่อที่ 720p ก่อน

การอนุญาตและการใช้งานอย่างรับผิดชอบ

Lip Sync ทำให้บุคคลในภาพพูดเนื้อหาเสียงตามนั้น ดังนั้นกฎจึงชัดเจน เมื่อสร้างครั้งแรก ด้วยภาพใหม่ เว็บไซต์ขอการยืนยันว่าเป็นคุณเองหรือคุณได้รับอนุญาตแล้ว ภาพจะถูกตรวจสอบ ก่อนตัดเครดิต และภาพที่มีเปลือยหรือแสดงเด็กอายุต่ำกว่า 18 ปีจะไม่ถูกประมวลผล

ใช้รูปของคุณเองหรือรูปของคนที่ยินยอมให้ใบหน้าของพวกเขาพูด ตัวละครที่คุณสร้างเอง สัตว์ และภาพประกอบที่ได้รับอนุญาต
ใช้เสียงที่คุณมีสิทธิ์ใช้: เสียงของคุณเอง เสียงมาตรฐาน เสียงโคลนนิ่งที่ได้รับอนุญาต หรือเสียงบันทึกที่ได้รับอนุญาต ดนตรีและเพลงก็เช่นกัน
ห้ามเนื้อหาทางเพศ เนื้อหาที่แสดงเด็กอายุต่ำกว่า 18 ปี และการเลียนแบบตัวตน ห้ามทำให้คนจริงดูเหมือนพูดสิ่งที่พวกเขาไม่เคยพูดเพื่อหลอกลวง รังแก หรือฉ้อโกง
บุคคลสาธารณะเช่นคนดังและนักการเมืองห้ามใช้โดยไม่ได้รับอนุญาตจากพวกเขาและสิทธิ์ในการใช้งานนั้น
เมื่ออัปโหลดวิดีโอคนจริงที่กำลังพูด ระบุว่าเป็นวิดีโอที่สร้างด้วย AI แพลตฟอร์มหลายแห่งกำหนดให้ติดป้ายนี้

รายการห้ามทั้งหมดอยู่ที่ นโยบายการใช้งาน (ภาษาอังกฤษ)

คำถามที่พบบ่อยเกี่ยวกับ AI Lip Sync

AI Lip Sync คืออะไร?

เทคโนโลยีที่รวมภาพนิ่งกับเสียง ทำให้บุคคลในภาพดูเหมือนกำลังพูดหรือร้องเพลงตามเสียงนั้น ใน KreatorFlow ฟีเจอร์นี้ทำงานด้วย OmniHuman 2.0 โมเดลวิดีโอที่ขับเคลื่อนด้วยเสียงจาก ByteDance การขยับปากจะตรงกับทุกคำ และใบหน้า หัว และลำตัวส่วนบนจะเคลื่อนไหวตามจังหวะและอารมณ์ของเสียง

วิดีโอสามารถยาวได้แค่ไหน?

ความยาววิดีโอจะเท่ากับเสียง และสร้างได้ครั้งละ 4 วินาที ถึง 5 นาที เพียงพอสำหรับงานนำเสนอ เนื้อหาชั้นเรียน พอดแคสต์หนึ่งตอน หรือเพลงหนึ่งเพลงเต็มในครั้งเดียว

AI Lip Sync มีค่าใช้จ่ายเท่าไหร่?

ต่อวินาทีเสียง 4 เครดิต ที่ 720p และ 6 เครดิต ที่ 1080p คำนวณต่อวินาทีที่เริ่ม โดยมีขั้นต่ำ 4 วินาที คลิป 10 วินาทีที่ 720p ต้องการ 40 เครดิต, และ 1 นาทีต้องการ 240 เครดิต ราคาที่แน่นอนจะแสดงก่อนสร้าง และเครดิตสำหรับวิดีโอที่ล้มเหลวจะถูกคืน

ต้องสมัครแพ็กเกจเสียเงินไหม?

ใช่ Lip Sync สามารถใช้ได้หากคุณมีแพ็กเกจเสียเงินหรือแพ็กเกจเครดิต แพ็กเกจเริ่มต้นที่ Creator $19 ในเดือนแรก และแพ็กเกจเครดิตขนาดเล็กที่สุด $8 (160 เครดิต) ทั้งสองความละเอียดพร้อมใช้งานสำหรับบัญชีเสียเงินทั้งหมด

รูปภาพสามารถร้องเพลงได้ไหม ไม่ใช่แค่พูด?

ได้ OmniHuman 2.0 รองรับทั้งการพูด ร้องเพลง และแร็ปร็ว อัปโหลดแทร็กเสียงร้อง: ยิ่งมีดนตรีประกอบน้อยและเสียงสะอาดมาก การขยับปากจะยิ่งตรงกัน

สามารถใช้ภาษาไทยได้ไหม?

ได้ โมเดลจะติดตามเสียง ดังนั้นเสียงในภาษาใดก็ได้สามารถใช้งานได้เลย เสียงมาตรฐานในหน้าจอ Lip Sync เป็นภาษาอังกฤษ ดังนั้นสำหรับบทสนทนาภาษาไทย ให้สร้างเสียงด้วยเสียงภาษาไทยในสตูดิโอเสียง หรืออัปโหลดเสียงบันทึกของคุณเอง

ตัวละครการ์ตูนหรือสัตว์ทำได้ไหม?

ได้ นอกจากคนจริง ตัวละครอนิเมะและการ์ตูน ตัวละคร 3D สิ่งมีชีวิตแฟนตาซี และสัตว์เช่นแมวหรือแรคคูนก็สามารถเคลื่อนไหวได้ด้วย OmniHuman 2.0 ตราบใดที่ใบหน้าชัดเจน

สามารถใช้รูปของคนอื่นได้ไหม?

เฉพาะเมื่อได้รับอนุญาตจากบุคคลนั้น บุคคลในภาพต้องเป็นคุณเองหรือได้รับอนุญาตแล้ว และคุณต้องมีสิทธิ์ในเสียงและดนตรี เว็บไซต์ขอการยืนยันนี้สำหรับภาพใหม่ทุกภาพ ห้ามใช้คนดังและบุคคลสาธารณะโดยไม่ได้รับอนุญาต และเนื้อหาทางเพศหรือนิทานที่แสดงเด็กอายุต่ำกว่า 18 ปีก็ไม่ได้รับอนุญาตเช่นกัน

สามารถใช้เสียงของฉันเองหรือเสียงที่โคลนนิ่งได้ไหม?

ได้ อัปโหลดเสียงบันทึกของคุณเอง หรือโคลนนิ่งเสียงของคุณในสตูดิโอเสียง สร้างไฟล์เสียง แล้วเลือกใน Lip Sync หากใช้เสียงมาตรฐาน ราคา Text to Speech (2 เครดิต ต่อ 1,000 ตัวอักษร) จะถูกเพิ่มเข้ามาในราคาวีดีโอ

มี API สำหรับ Lip Sync ไหม?

มี นักพัฒนาเรียก /v1/lip-sync ด้วยรูปภาพและไฟล์เสียง แล้วชำระเงินต่อวินาทีด้วยโทเคนล่วงหน้า: $0.20 ต่อวินาทีที่ 720p และ $0.30 ต่อวินาทีที่ 1080p รายละเอียดอยู่ที่หน้า OmniHuman API (ภาษาอังกฤษ)

สร้างวิดีโอพูดแรกของคุณ

เปิด Lip Sync ใส่รูปภาพและเสียง และราคาจะแสดงก่อนสร้าง สามารถใช้กับแพ็กเกจเสียเงินหรือแพ็กเกจเครดิตได้