Black Friday sale50% OFFyour first month

Get 50% off

آفیشل BytePlus پارٹنرBytePlus، ByteDance کی کمپنی

آفیشل BytePlus پارٹنر · OmniHuman 2.0

AI لپ سنک: فوٹو اور آواز سے بولنے والی ویڈیو بنائیں

ایک فوٹو اپ لوڈ کریں، ایک آواز کا ٹریک شامل کریں، اور تصویر میں موجود شخص قدرتی اظہار اور حرکات کے ساتھ ہر لفظ بولے یا گاے۔ یہ OmniHuman 2.0، بائیٹ ڈانس کی آواز سے چلنے والی ماڈل پر چلتا ہے، اور ایک ٹیک 5 منٹ تک ہو سکتا ہے۔

  • 5 منٹ تک
  • بولنا، گانا اور رپ
  • لوگ، کردار اور جانور
  • 720p یا 1080p
  • 4 کریڈٹس فی سیکنڈ

Lip Sync ایک پیڈ ٹول ہے۔ تھوڑی رقم سے شروع کرنے کے دو طریقے: 48 گھنٹے کا ٹرائل، $3 میں (60 کریڈٹس، 720p میں تقریباً 15 سیکنڈ؛ اس کے بعد Creator پہلے مہینے $19 اور پھر $25/ماہ پر جاری رہتا ہے، جب تک آپ 48 گھنٹوں کے اندر منسوخ نہ کریں؛ Pro (60 کریڈٹس، پھر $49/ماہ) یا Max (60 کریڈٹس، پھر $99/ماہ) کے ساتھ بھی دستیاب) یا $8 سے شروع ہونے والا کریڈٹ پیک (160 کریڈٹس، 720p میں تقریباً 40 سیکنڈ، پلان کے بغیر ایک بار کی ادائیگی)۔

اس صفحے پر
  1. AI لپ سنک سے کیا بنایا جا سکتا ہے
  2. تین مراحل میں لپ سنک ویڈیو بنائیں
  3. ویڈیوز جو آپ بنا سکتے ہیں
  4. آواز کہاں سے آتی ہے؟
  5. AI لپ سنک: فوٹو + آواز سے بولنے والی ویڈیو
  6. مقبول استعمال
  7. قدرتی نتیجے کے لیے ٹپس
  8. AI لپ سنک کے بارے میں عام سوالات
  9. مزید دریافت کریں

AI لپ سنک سے کیا بنایا جا سکتا ہے

ایک اے آئی لپ سنک دو چیزیں لیتا ہے، کسی کی تصویر اور وہ کچھ جو وہ کہے، اور پھر اس شخص کی ویڈیو واپس کرتا ہے جو وہ کہہ رہا ہے۔ KreatorFlow Lip Sync یہ کرتا ہے OmniHuman 2.0 ByteDance کی تازہ ترین آڈیو ڈرائیون ویڈیو ماڈل کے ساتھ۔ KreatorFlow BytePlus کا آفیشل پارٹنر، جو ByteDance کی کمپنی ہے ہے اور ماڈل کو BytePlus کے ذریعے چلاتا ہے۔

آڈیو ڈرائیون کا مطلب ہے کہ آواز ہی چلاتی ہے۔ منہ کی حرکات الفاظ سے ملتی ہیں، بھنویں اور سر زور دینے پر ردعمل ظاہر کرتے ہیں، وقفے وقفے جیسے لگتے ہیں، اور گانا صرف منہ سے نہیں بلکہ پرفارم کیا جاتا ہے۔ تحریری ہدایات صرف ان چیزوں کے لیے کافی ہیں جو آواز نہیں کہہ سکتی، جیسے مسکراہٹ، سر ہلانا یا کیمرہ آہستہ آہستہ قریب آنا۔

ایک جنریشن 5 منٹ تک چل سکتی ہے، اس لیے ایک مکمل پریزنٹیشن، لیکچر، پروڈکٹ واک تھرو یا گانا ایک ہی ٹیک میں ہو سکتا ہے جس میں شروع سے آخر تک وہی چہرہ ہو، مختصر کلپس کو جوڑنے کے بجائے۔

تین مراحل میں لپ سنک ویڈیو بنائیں

  1. 1

    تصویر اپ لوڈ کریں

    شخص، کردار یا پالتو جانور کی واضح تصویر اپ لوڈ کریں، یا اپنی اپ لوڈز، جنریشنز یا محفوظ کرداروں میں سے ایک منتخب کریں۔ ایک چہرہ، جو تقریباً کیمرے کی طرف دیکھ رہا ہو اور منہ کھلا ہو، بہترین نتائج دیتا ہے۔

  2. 2

    آواز شامل کریں

    اسکرپٹ ٹائپ کریں اور ہماری آوازوں میں سے ایک منتخب کریں، یا اپنا MP3 یا WAV شامل کریں: ایک ریکارڈنگ، گانا، یا آڈیو اسٹوڈیو میں بنائی گئی آواز کی لائن، جس میں آپ کی کloned آواز بھی شامل ہے۔ ٹریک 4 سیکنڈز سے 5 منٹ تک لمبا ہو سکتا ہے۔

  3. 3

    جنریٹ کریں اور ڈاؤن لوڈ کریں

    720p یا 1080p منتخب کریں، حرکات اور کیمرے کے لیے اختیاری ہدایات شامل کریں، اور جنریٹ پر دبائیں۔ قیمت پہلے دکھائی جاتی ہے: 720p پر فی سیکنڈ 4 کریڈٹس، 1080p پر 6 کریڈٹس۔ ویڈیو آڈیو کے اتنی ہی لمبی ہوتی ہے اور آپ کی لائبریری میں آ جاتی ہے۔

ویڈیوز جو آپ بنا سکتے ہیں

ایک ٹیک 5 منٹ تک

آواز کا ٹریک 4 سیکنڈز سے 5 منٹ تک لمبا ہو سکتا ہے، اور ویڈیو کی لمبائی آواز کے بالکل برابر ہوتی ہے۔

بولنے والی تصویر، گانے والی تصویر

گفتگو، روایت، گانا، تیز رپ تک۔ ہونٹوں کی شکلیں، لہجہ اور جذبات آواز کے ٹریک کی پیروی کرتے ہیں۔

لوگ، کردار، جانور

پورٹریٹ، اینیمی اور کارٹون کردار، 3D کردار، فینٹسی مخلوق اور جانور اینیمیٹ کیے جا سکتے ہیں۔

کسی بھی زبان

ماڈل آواز کی پیروی کرتا ہے، اس لیے سوئڈش اور دیگر زبانیں یا لہجے استعمال کیے جا سکتے ہیں جب تک کہ آواز موجود ہو۔

حرکت کی ہدایات

حرکات، جذبات، کیمرہ کی حرکتیں اور پس منظر میں ہونے والی چیزیں 2,000 حروف تک لکھیں۔

720p یا 1080p

720p پر 4 کریڈٹس فی سیکنڈ اور 1080p پر 6 کریڈٹس فی سیکنڈ، جنریشن سے پہلے دکھایا جاتا ہے۔

آواز کہاں سے آتی ہے؟

ہماری آوازیں۔ لکھیں کہ شخص کو کیا کہنا ہے اور Lip Sync پیج پر موجود انگریزی آوازوں میں سے ایک منتخب کریں۔ آواز کی لائن پہلے Text to Speech (2 کریڈٹس فی 1 000 حروف) کے ساتھ بنائی جاتی ہے، پھر ویڈیو۔

آپ کی اپنی ریکارڈنگ۔ اپنی موبائل فون پر خود کو ریکارڈ کریں، MP3 یا WAV ایکسپورٹ کریں اور اپ لوڈ کریں۔ صاف آواز اور کم بیک گراؤنڈ شور سے منہ کی حرکات سب سے زیادہ واضح ہوتی ہیں۔

Audio اسٹوڈیو سے آواز۔ کئی زبانوں اور آوازوں کے ساتھ Text to Speech کے ذریعے لائن بنائیں یا اپنی آواز کو کلون کریں۔ آپ کی بنائی ہوئی آواز کی لائنیں Lip Sync آڈیو پکر میں نظر آتی ہیں۔

ایک گانا۔ ایک ووکل ٹریک اپ لوڈ کریں جس کے آپ کے پاس حقوق ہوں۔ اگر آپ کے پاس صرف مکس ہے، تو خاموش موسیقی والی ورژن بلند موسیقی والی ورژن سے بہتر کام کرتی ہے۔

AI لپ سنک: فوٹو + آواز سے بولنے والی ویڈیو

آڈیو کی ہر شروع ہونے والی سیکنڈ کے لیے کریڈٹس، جو اسٹوڈیو کے چارجمنٹ کوڈ سے لی گئی ہیں۔

720p فی سیکنڈ

4

کریڈٹس

1080p فی سیکنڈ

6

کریڈٹس

آڈیو کی لمبائی اور ریزولوشن کے لحاظ سے Lip Sync کریڈٹس
آڈیو کی لمبائی720p1080p
4 سیکنڈز16 کریڈٹس24 کریڈٹس
10 سیکنڈز40 کریڈٹس60 کریڈٹس
30 سیکنڈز120 کریڈٹس180 کریڈٹس
1 منٹ240 کریڈٹس360 کریڈٹس
5 منٹ1,200 کریڈٹس1,800 کریڈٹس

سب سے چھوٹی بلنگ والی کلپ 4 سیکنڈ کی ہے، اور سب سے لمبی ویڈیو، 5 منٹ لاگت 1,200 کریڈٹس 720p میں۔ Lip Sync کے لیے ایک پیڈ اکاؤنٹ درکار ہے: کوئی بھی پلان ( Creator پہلے $19 مہینے کے لیے) یا کوئی بھی کریڈٹ پیک ( $8)، ان میں سے کسی ایک کے ساتھ کافی ہے۔ ناکام ویڈیو کے کریڈٹ خود بخود واپس آ جاتے ہیں۔ دیکھیں قیمتیں۔ قیمتیں امریکی ڈالر میں ہیں۔

مقبول استعمال

  • ایک برانڈ فوٹو سے پروڈکٹ پریزنٹرز اور اسپوکر ایڈز
  • ہر لیکچر میں ایک ہی پریزنٹر کے ساتھ کورس کی وضاحت اور ٹریننگ ویڈیوز
  • فوٹو سے پیغام، اپنی اپنی آواز میں، پیدائش کے دن اور شکریہ کے پیغامات
  • ایک کردار اور ووکل ٹریک سے میوزک ویڈیوز اور وچوئل سنگرز
  • ایک ہی فوٹو سے مختلف زبانوں میں ایک ہی پیغام
  • اسکرین پر چہرے کے ساتھ آڈیو بک، پوڈ کاسٹ اور خبروں کے سگمنٹس
  • سوشل پوسٹس کے لیے بولتی ہوئی ماسکٹس، پالتو جانور اور کارٹون کردار

قدرتی نتیجے کے لیے ٹپس

  • ایک تیز تصویر استعمال کریں جس میں چہرہ واضح طور پر نظر آ رہا ہو۔ کلوز اپ اور ہاف باڈی شاٹس بہترین کام کرتے ہیں؛ وسیع شاٹس میں چھوٹے چہرے کام نہیں کرتے۔
  • منہ اور ٹھوڑی کو کھلا رکھیں: ہاتھ، مائیکروفون یا بالوں سے ہونٹوں پر کوئی رکاوٹ نہ ہو۔
  • صاف آواز استعمال کریں۔ بیک گراؤنڈ شور اور بلند موسیقی منہ کی حرکات کو کم درست بناتی ہیں۔
  • ہدایات کو عام جملوں میں لکھیں جو صرف حرکت کے بارے میں ہوں، مثال کے طور پر "وہ مسکراتی ہے، پھر بات کرتے ہوئے کیمرے کی طرف جھکتی ہے"۔ تصویر میں پہلے سے موجود چیزوں کی وضاحت نہ کریں۔
  • 1080p میں لمبی ٹیک رینڈر کرنے سے پہلے 720p میں ایک مختصر لائن ٹیسٹ کریں۔

رضامندی اور ذمہ دارانہ استعمال

اے آئی لپ سنک تصویر میں موجود شخص کو آواز کے مطابق بالکل وہی بولنے یا گانے پر مجبور کرتا ہے۔ قواعد اس لیے واضح ہیں۔ نئی تصویر کے ساتھ پہلی جنریشن پر، ویب سائٹ آپ سے تصدیق کرتی ہے کہ یہ آپ ہیں یا آپ کے پاس رضامندی ہے۔ تصویر کو کریڈٹس ڈیبٹ کرنے سے پہلے چیک کیا جاتا ہے، اور ننگی یا نابالغوں والی تصاویر کی اجازت نہیں ہے۔

  • اپنا فوٹو یا کسی ایسی شخص کی تصویر استعمال کریں جس نے چہرے کی اینیمیشن کے لیے اجازت دی ہو۔ آپ اپنے کردار، جانور اور تصاویر استعمال کر سکتے ہیں۔
  • ایسی آواز استعمال کریں جس کا آپ کو استعمال کا حق حاصل ہو: اپنی آواز، معیاری آواز، اجازت کے ساتھ کلوں کی گئی آواز یا منظور شدہ ریکارڈنگ۔ یہی اصول موسیقی اور گانوں پر بھی لاگو ہوتا ہے۔
  • جنسی مواد، 18 سال سے کم عمر افراد والے مواد اور دوسروں کا دعویٰ کرنا ممنوع ہے۔ ایسی ریکارڈنگز مت بنائیں جہاں حقیقی لوگ ایسی باتیں کر رہے ہوں جو انہوں نے کبھی نہیں کہی، تاکہ دھوکہ دیا جا سکے، پریشان کیا جا سکے یا غلط معلومات پھیلائی جا سکیں۔
  • عوامی شخصیات، جیسے مشہور شخصیات اور سیاست دان، بغیر ان کی اجازت اور تصویر استعمال کے حقوق کے استعمال نہیں کی جا سکتیں۔
  • جب آپ کسی حقیقی شخص کی ویڈیو اپ لوڈ کرتے ہیں جو بول رہی ہے، تو ویڈیو کو AI سے بنایا گیا نشان زد کریں۔ بہت سے پلیٹ فارمز اس نشان کی ضرورت ہوتی ہے۔

ممنوعہ چیزوں کی مکمل فہرست صارف کی شرائط (انگریزی).

AI لپ سنک کے بارے میں عام سوالات

AI لپ سنک کیا ہے؟

AI لپ سنک ایک خاموش تصویر اور آڈیو ٹریک کو ویڈیو میں تبدیل کر دیتا ہے جہاں تصویر میں موجود شخص آڈیو بولتا یا گاتا ہے۔ KreatorFlow پر یہ OmniHuman 2.0 پر چلتا ہے، ByteDance کی آڈیو ڈرائیون ویڈیو ماڈل: ہونٹ ہر لفظ کی پیروی کرتے ہیں، اور چہرہ، سر اور اوپری جسم آواز کی تال اور جذبات کے ساتھ حرکت کرتے ہیں۔

لپ سنک ویڈیو کتنی لمبی ہو سکتی ہے؟

ویڈیو آپ کی آڈیو کے اتنی ہی لمبی ہوتی ہے: فی جنریشن 4 سیکنڈز سے 5 منٹ تک۔ یہ ایک مکمل پریزنٹیشن، سبق، پوڈکاسٹ سگمنٹ یا ایک ہی ٹیک میں پورے گانے کے لیے کافی لمبی ہے۔

AI لپ سنک کی قیمت کتنی ہے؟

720p پر آڈیو کے فی سیکنڈ 4 کریڈٹس اور 1080p پر 6 کریڈٹس، شروع ہونے والے سیکنڈ کے حساب سے گنے جاتے ہیں جس میں 4 سیکنڈز کی کم از کم حد ہے۔ 10 سیکنڈز کا کلپ 40 کریڈٹس، ایک منٹ 240 کریڈٹس۔ جنریٹ کرنے سے پہلے درست قیمت دکھائی جاتی ہے، اور ناکام ویڈیو کے لیے کریڈٹس واپس آ جاتے ہیں۔

کیا مجھے پیڈ پلان کی ضرورت ہے؟

جی ہاں۔ لپ سنک کسی بھی پیڈ پلان یا کریڈٹ پیک کے ساتھ کام کرتا ہے۔ پلانز Creator سے شروع ہوتے ہیں پہلے مہینے کے لیے $19 پر، اور سب سے چھوٹا کریڈٹ پیک $8 ہے 160 کریڈٹس کے لیے۔ دونوں ریزولوشنز ہر پیڈ اکاؤنٹ پر دستیاب ہیں۔

کیا تصویر صرف بول سکتی ہے یا گانا بھی؟

جی ہاں۔ OmniHuman 2.0 بولنے، گانے اور تیز رپ کی پیروی کرتا ہے، جس میں منہ، انٹونیشن اور جذبات ٹریک کی پیروی کرتے ہیں۔ ووکل ٹریک اپ لوڈ کریں؛ کم بیک گراؤنڈ میوزک کے ساتھ صاف ووکل سب سے زیادہ درست منہ کی حرکت دیتی ہے۔

لپ سنک کس زبان میں کام کرتا ہے؟

ماڈل آڈیو کی آواز کی پیروی کرتا ہے، اس لیے آواز کا ٹریک کسی بھی زبان میں ہو سکتا ہے۔ لپ سنک پیج پر موجود آوازیں انگریزی ہیں؛ دیگر زبانوں کے لیے، آڈیو اسٹوڈیو میں آواز کی لائن بنائیں یا اپنی ریکارڈنگ اپ لوڈ کریں۔

کیا یہ کارٹونز، 3D کرداروں اور جانوروں کے ساتھ کام کرتا ہے؟

جی ہاں۔ حقیقی انسانوں کے علاوہ، OmniHuman 2.0 اینیمی اور کارٹون کرداروں، 3D کرداروں، فینٹسی مخلوقات اور جانوروں، جیسے بلی یا ریکون کو اینیمیٹ کرتا ہے، جب تک کہ چہرہ واضح ہو۔

کیا میں کسی اور کی تصویر استعمال کر سکتا ہوں؟

صرف ان کی اجازت کے ساتھ۔ آپ کو تصویر میں موجود شخص ہونا چاہیے یا ان کی رضامندی ہونی چاہیے کہ وہ بولیں، اور آپ کو آواز اور کسی بھی میوزک کو استعمال کرنے کا حق ہونا چاہیے۔ ویب سائٹ ہر نئی تصویر کے لیے اس کی تصدیق کرنے کو کہتی ہے۔ اجازت کے بغیر مشہور شخصیات اور عوامی شخصیات کی اجازت نہیں ہے، اور کوئی بھی جنسی یا نابالغوں سے متعلق مواد اجازت یافتہ نہیں ہے۔

کیا میں اپنی آواز یا کloned آواز استعمال کر سکتا ہوں؟

جی ہاں۔ اپنی ریکارڈنگ اپ لوڈ کریں، یا آڈیو اسٹوڈیو میں اپنی آواز کloned کریں، اس کے ساتھ آواز کی لائن بنائیں اور لپ سنک میں اس لائن کو منتخب کریں۔ بلٹ ان آوازوں کے لیے ویڈیو کے علاوہ لائن کے لیے ٹیکسٹ ٹو اسپیچ کی قیمت (2 کریڈٹس فی 1 000 حروف) ادا کرنی پڑتی ہے۔

کیا لپ سنک کا API موجود ہے؟

جی ہاں۔ ڈویلپرز /v1/lip-sync کو تصویر اور آڈیو ٹریک کے ساتھ کال کر سکتے ہیں اور پری پیڈ ٹوکنز میں فی سیکنڈ ادا کر سکتے ہیں: 720p پر فی سیکنڈ $0.20 اور 1080p پر $0.30۔ OmniHuman API صفحہ دیکھیں۔

اپنی پہلی بولنے والی ویڈیو بنائیں

Lip Sync کھولیں، ایک تصویر اور آواز شامل کریں، اور جنریٹ کرنے سے پہلے قیمت دیکھیں۔ یہ کسی بھی پیڈ پلان یا کریڈٹ پیک کے ساتھ دستیاب ہے۔

Lip Sync ایک پیڈ ٹول ہے۔ تھوڑی رقم سے شروع کرنے کے دو طریقے: 48 گھنٹے کا ٹرائل، $3 میں (60 کریڈٹس، 720p میں تقریباً 15 سیکنڈ؛ اس کے بعد Creator پہلے مہینے $19 اور پھر $25/ماہ پر جاری رہتا ہے، جب تک آپ 48 گھنٹوں کے اندر منسوخ نہ کریں؛ Pro (60 کریڈٹس، پھر $49/ماہ) یا Max (60 کریڈٹس، پھر $99/ماہ) کے ساتھ بھی دستیاب) یا $8 سے شروع ہونے والا کریڈٹ پیک (160 کریڈٹس، 720p میں تقریباً 40 سیکنڈ، پلان کے بغیر ایک بار کی ادائیگی)۔

مزید دریافت کریں