Opisyal na partner ng BytePlusBytePlus, isang kumpanya ng ByteDance
Opisyal na partner ng BytePlus · OmniHuman 2.0
AI Lip Sync: Gawin ang Nagsasalitang Video mula sa Litrato at Boses
Mag-upload ng litrato, magdagdag ng voice track, at ang taong nasa litrato ay magsasalita o magsasaya ng bawat salita nang may natural na ekspresyon at galaw. Ito ay gumagana sa OmniHuman 2.0, audio-driven model ni ByteDance, at isang take ay maaaring tumagal ng hanggang 5 minuto.
- Hanggang 5 minuto
- Nagsasalita, kumakanta, at rap
- Mga tao, karakter, at hayop
- 720p o 1080p
- 4 credits bawat segundo
Bayad na tool ang Lip Sync. Dalawang paraan para magsimula sa maliit na halaga: 48 oras na trial sa halagang $3 (60 credits, mga 15 segundo sa 720p; pagkatapos ay magpapatuloy ang Creator sa $19 para sa unang buwan at $25/buwan kung hindi ka magka-cancel sa loob ng 48 oras; available din sa Pro (60 credits, pagkatapos ay $49/buwan) o Max (60 credits, pagkatapos ay $99/buwan)) o isang credit pack na nagsisimula sa $8 (160 credits, mga 40 segundo sa 720p, minsanang bayad nang walang plan).
Huling na-update:
Sa pahinang ito
Ano ang maaari mong gawin sa AI Lip Sync
Ang AI lip sync ay gumagamit ng dalawang bagay, isang larawan ng tao at isang audio track para sinabi, at nagbibigay ng video kung saan ang taong iyon ay nagsasalita o sumasayaw. OmniHuman 2.0 Pinakabagong audio-driven na video model ni ByteDance. Ang KreatorFlow ay isang opisyal na partner ng BytePlus, isang kumpanya ng ByteDance at pinapatakbo ang model sa pamamagitan ng BytePlus.
Ang audio-driven ay nangangahulugang ang tunog ang namumuno. Ang galaw ng bibig ay tugma sa mga salita, ang kilay at ulo ay reaksyon sa diin, ang mga pause ay mukhang pause, at ang isang kanta ay ginagawa kaysa sa simpleng paggalaw ng bibig. Ang mga text direction ay sapat para sa mga bagay na hindi maaaring sabihin ng audio, tulad ng ngiti, pagkiling ng ulo o mabagal na pag-push ng kamera.
Ang isang generation ay maaaring tumagal ng hanggang 5 minuto, kaya ang isang buong talumpati, aralin, product walkthrough o kanta ay maaaring isang tuloy-tuloy na take na may parehong mukha mula simula hanggang dulo, imbes na maikling clips na pinagsama.
Gumawa ng Lip Sync video sa tatlong hakbang
- 1
Mag-upload ng photo
Mag-upload ng malinaw na photo ng isang tao, karakter, o alagang hayop, o pumili mula sa iyong mga na-upload, na-generate, o naka-save na mga karakter. Pinakamaganda ang resulta kapag may isang mukha, nakatingin sa camera, at walang nakabalot na bibig.
- 2
Magdagdag ng boses
Mag-type ng script at pumili ng isa sa aming mga boses, o magdagdag ng iyong sariling MP3 o WAV: isang recording, isang kanta, o isang voice line na ginawa sa Audio studio, kabilang ang boses na i-clone mo. Maaaring 4 seconds hanggang 5 minutes ang haba ng track.
- 3
I-generate at i-download
Pumili ng 720p o 1080p, magdagdag ng optional na direksyon para sa mga galaw at camera, at pindutin ang Generate. Ipinapakita muna ang presyo: 4 credits per second sa 720p, 6 credits sa 1080p. Ang video ay katumbas ng haba ng audio at makikita mo ito sa iyong library.
Mga video na maaari mong gumawa
Isang take hanggang 5 minuto
Ang voice track ay maaaring 4 seconds hanggang 5 minutes ang haba, at ang haba ng video ay eksaktong pareho sa audio.
Nagsasalitang litrato, kumakantang litrato
Mga usapan, narration, kanta, hanggang mabilis na rap. Ang mga hugis ng bibig, intonation, at emosyon ay sumusunod sa voice track.
Mga tao, karakter, hayop
Mga portrait, anime at cartoon characters, 3D characters, fantasy creatures, at hayop ay maaaring i-animate.
Anumang wika
Ang model ay sumusunod sa tunog, kaya ang boses ay maaaring anumang wika o dialekto na mayroon kang audio para dito.
Mga instruksyon sa galaw
Isulat ang mga galaw, emosyon, camera moves, at mga nangyayari sa background hanggang 2,000 characters.
720p o 1080p
4 credits bawat segundo sa 720p at 6 credits bawat segundo sa 1080p, ipinapakita bago i-generate.
Saan galing ang boses?
Ang aming mga boses. Isulat kung ano ang dapat sabihin ng tao at pumili ng isa sa mga English na boses na naka-embed sa Lip Sync page. Ang voice line ay ginawa muna gamit ang Text to Speech (2 credits bawat 1 000 karakter), pagkatapos ay ang video.
Ang iyong sariling naka-record. Mag-record ng iyong sarili sa iyong telepono, i-export ang MP3 o WAV at i-upload ito. Ang malinis na pagbubos na may kaunting background noise ay nagbibigay ng pinakamalinaw na galaw ng bibig.
Ang boses mula sa Audio studio. Gumawa ng line gamit ang Text to speech sa maraming wika at boses o i-clone ang iyong sariling boses. Ang mga voice line na iyong ginawa ay makikita sa Lip Sync audio picker.
Ang isang kanta. I-upload ang vocal track na may karapatan ka. Kung ikaw ay mayroon lamang ang buong mix, ang isang bersyon na may mas mahinang musika ay mas mabuti kaysa sa malakas.
AI Lip Sync: foto + boses para sa nagsasalitang video
Credits bawat nagsisimulang segundo ng audio, mula sa parehong code na ginagamit ng studio para sa billing.
720p bawat segundo
4
kredito
1080p bawat segundo
6
kredito
| Haba ng audio | 720p | 1080p |
|---|---|---|
| 4 seconds | 16 credits | 24 credits |
| 10 seconds | 40 credits | 60 credits |
| 30 seconds | 120 credits | 180 credits |
| 1 minutes | 240 credits | 360 credits |
| 5 minutes | 1,200 credits | 1,800 credits |
Ang pinakamaikling billable clip ay 4 segundo, at ang pinakamahabang video, 5 minutes ay nagkakahalaga ng 1,200 credits sa 720p. Ang Lip Sync ay nangangailangan ng bayad na account: isang subscription (mula sa Creator una $19 una na buwan) o isang credit pack (mula sa $8), sapat na mayroon ka ng isa. Ang mga kredito para sa isang video na nabigo ay awtomatikong bumabalik. Tingnan ang mga presyo. Mga presyo sa US dollars.
Mga sikat na paggamit
- Mga presenter ng produkto at mga reklamo ng boses mula sa isang larawan ng brand
- Mga paliwanag sa kurso at mga video ng pagsasanil na may parehong presenter sa bawat aralin
- Mga mensahe para sa kaarawan at pasasalamat mula sa isang larawan, sa iyong sariling boses
- Mga music video at mga virtual na mang-aawit mula sa isang karakter at isang vocal track
- Parehong mensahe sa maraming wika, mula sa isang larawan
- Mga audiobook, podcast at mga segment ng balita na may mukha sa screen
- Mga nagsasalitang mascot, alagang hayop at mga karakter na cartoon para sa mga social post
Mga Tip para sa Natural na Resulta
- Gumamit ng malinaw na larawan na may malinaw na nakikitang mukha. Ang mga close-up at half-body shots ang gumagana nang pinakamahusay; ang mga maliit na mukha sa malawak na shots ay hindi gumagana.
- Panatilihin ang bibig at panga na walang takot: walang mga kamay, mikropono o buhok sa labi.
- Gumamit ng malinis na audio. Ang background noise at malakas na musika ay nagpapababa ng katumpakan ng galaw ng bibig.
- Isulat ang mga tagubilin bilang karaniwang mga pangungusap tungkol sa galaw lamang, halimbawa "ngumiti siya, pagkatapos ay lumapit sa kamera habang siya ay nagsasalita." Huwag ilarawan kung ano ang mayroon na sa larawan.
- Subukan ang maikling line sa 720p bago i-render ang mahabang take sa 1080p.
Pahintulot at responsableng paggamit
Ang AI lip sync ay nagpapahintulot sa mga tao sa larawan na magsalita o sumayaw sa audio nang eksakto. Ang mga patakaran ay malinaw. Sa unang generation ng isang bagong larawan, hinihingi ng website na kumpirmahin mo na ikaw ang tao o mayroon kang pahintulot. Ang larawan ay sinusuri bago ang mga kredito ay debited, at ang mga larawan na may kalagnasan o may mga minor ay hindi pinapayagan.
- Gamitin ang sarili mong litrato o litrato ng taong nagbigay ng pahintulot sa pag-animate ng mukha. Maaari kang gumamit ng iyong mga karakter, hayop, at ilustrasyon.
- Gamitin ang boses na may karapatan kang gamitin: ang sarili mong boses, standard na boses, cloned na may pahintulot, o isang approved na recording. Pareho ito para sa musika at kanta.
- Ang sexual content, content na may mga taong baba ng 18 taong gulang, at pagpanggap na iba ay bawal. Huwag gumawa ng mga recording kung saan ang mga tunay na tao ay nagsasalita ng mga bagay na hindi nila sinabi, upang manloko, manliligalig, o kumalat ng disimpormasyon.
- Ang mga public figures, tulad ng mga celebrity at politiko, ay hindi pwedeng gamitin nang walang kanilang pahintulot at karapatan sa paggamit ng larawan.
- Kapag nag-upload ka ng video ng isang tunay na tao na nagsasalita, markahan na ang video ay gawa ng AI. Maraming platform ang nangangailangan ng marking na ito.
Ang isang kumpletong listahan ng mga bawal na bagay ay nasa Mga tuntunin ng paggamit (Ingles).
Karaniwang Tanong tungkol sa AI Lip Sync
Ano ang AI lip sync?
Gaano katagal ang isang lip sync video?
Magkano ang AI lip sync?
Kailangan ko ba ng paid plan?
Puwede bang sumayaw ang photo, hindi lang magsalita?
Anong mga wika ang gumagana sa lip sync?
Gumagana ba ito sa mga cartoon, 3D characters, at hayop?
Puwede bang gumamit ng photo ng ibang tao?
Puwede bang gumamit ng sarili kong boses o cloned boses?
May lip sync API ba?
Gumawa ng iyong unang nagsasalitang video
Buksan ang Lip Sync, magdagdag ng larawan at boses, at makikita mo ang presyo bago mag-generate. Available sa anumang bayad na plano o credit pack.
Bayad na tool ang Lip Sync. Dalawang paraan para magsimula sa maliit na halaga: 48 oras na trial sa halagang $3 (60 credits, mga 15 segundo sa 720p; pagkatapos ay magpapatuloy ang Creator sa $19 para sa unang buwan at $25/buwan kung hindi ka magka-cancel sa loob ng 48 oras; available din sa Pro (60 credits, pagkatapos ay $49/buwan) o Max (60 credits, pagkatapos ay $99/buwan)) o isang credit pack na nagsisimula sa $8 (160 credits, mga 40 segundo sa 720p, minsanang bayad nang walang plan).