Sincronização labial
Faça um retrato falar uma faixa de áudio ou duble um vídeo ressincronizando os lábios com uma nova fala, com Kling Avatar, OmniHuman, Seedance e outros.
O nó Sincronização labial faz um rosto falar uma faixa de áudio. Dê a ele um retrato e uma faixa de voz, e ele faz um vídeo de cabeça falante. Dê a ele um vídeo e um novo áudio, e ele ressincroniza os lábios do vídeo com a nova fala, o que dubla o clipe. Você escolhe o modelo, e o nó mostra as entradas de que esse modelo precisa.
Quando usar
- Uma cabeça falante a partir de uma única foto, por exemplo um personagem gerado por IA com uma narração.
- Um vídeo de porta-voz para uma demonstração de produto.
- Uma versão dublada de um vídeo: a fala traduzida, ressincronizada com os lábios de quem fala.
- Uma atuação dirigida por um prompt, como cantar em um microfone, com o OmniHuman 1.5.
Para um vídeo de avatar completo a partir de um roteiro, com vozes e legendas incluídas, use o Avatar de IA.
Início rápido
Adicionar o nó
Pressione Tab no canvas e escolha Vídeo › Animação e atuação › Sincronização labial.
Escolher o modelo
Abra o painel de configurações e escolha um modelo em Provedor. O nó então mostra as entradas de que esse modelo precisa: Retrato, Vídeo de origem ou as duas.
Conectar o rosto e a voz
Conecte uma imagem a Retrato ou um vídeo a Vídeo de origem, e um nó de áudio a Áudio, por exemplo o Texto para fala.
Executar
Clique em Executar. O vídeo com os lábios sincronizados aparece no nó.
Retrato ou vídeo
| O que você conecta | O que o nó faz | Modelos |
|---|---|---|
| Um Retrato e Áudio | Um novo vídeo de cabeça falante a partir de uma imagem fixa. | Kling Avatar, Kling Avatar Pro, OmniHuman 1.5, OmniHuman 2.0, Seedance 2, Seedance 2 Fast, Seedance 2 Mini, Seedance 2.5, Seedance 2.5 Flash |
| Um Vídeo de origem e Áudio | O mesmo vídeo, com os lábios ressincronizados com o novo áudio. | Volcengine Lip Sync, Sync Lipsync v3, Lipsync 2 Pro, HeyGen Lipsync Precision, LatentSync |
Entradas
| Entrada | Aceita | O que faz |
|---|---|---|
| Áudio | Nós de áudio | A fala ou a narração. Obrigatória em todos os modelos. |
| Retrato | Nós de imagem | Uma foto nítida de um rosto, para os modelos de retrato. |
| Vídeo de origem | Nós de vídeo | O clipe a dublar, para os modelos de dublagem. |
A saída, Vídeo, é a URL do vídeo com os lábios sincronizados. Quando vários nós estão conectados, o cartão do nó permite escolher qual imagem, qual vídeo e qual áudio usar.
Configurações
| Configuração | O que faz |
|---|---|
| Provedor | O modelo de sincronização labial. O padrão é o Kling Avatar. |
| Resolução | No Kling Avatar, no Kling Avatar Pro e nos modelos Seedance: 480p ou 720p, com 720p como padrão. O Seedance 2 também oferece 1080p. O OmniHuman 1.5 oferece 720p ou 1080p, com 1080p como padrão. O OmniHuman 2.0 sempre gera 720p, então o campo fica oculto. |
| Prompt de movimento (opcional) | Nos mesmos modelos: movimentos da cabeça e das expressões, por exemplo “leves acenos de cabeça” ou “sobrancelhas expressivas”. No OmniHuman 1.5, ele dirige a atuação inteira. |
| Texto antes e depois | Texto sempre adicionado antes e depois do prompt de movimento. Veja Texto antes e depois do prompt. |
Configurações de modelos específicos
| Modelo | Configurações |
|---|---|
| OmniHuman 1.5 | O Prompt de movimento dirige a atuação, por exemplo “cante com confiança ao microfone”. O Modo rápido troca um pouco de qualidade por velocidade. A Seed torna um resultado repetível; -1 significa aleatória. Ele anima pessoas, animais de estimação e anime em qualquer proporção. |
| OmniHuman 2.0 | O Prompt de movimento orienta a cena, o movimento do personagem e a câmera, em até 300 caracteres; um prompt mais longo é cortado. Não há escolha de resolução, modo rápido nem seed. Trocar um nó do OmniHuman 1.5 para o 2.0 apaga esses valores. |
| HeyGen Lipsync Precision | Duração dinâmica (ativada) ajusta a duração da saída ao novo áudio. Remover faixa de música (desativada) tira a música de fundo do vídeo de origem. Aprimoramento de fala (desativado) melhora a clareza da fala. |
| Lipsync 2 Pro | O Modo de sincronização define o que acontece quando o áudio e o vídeo têm durações diferentes: Loop (o padrão), Ida e volta, Cortar, Silêncio ou Remapear. A Temperatura, de 0 a 1, define quão expressiva é a sincronização labial; o padrão é 0,5. A Detecção do falante ativo sincroniza quem estiver falando. |
| Sync Lipsync v3 | Modo de sincronização, com Cortar como padrão, e Detecção do falante ativo, que você deve ativar em um vídeo com mais de uma pessoa. O modelo controla a própria expressividade. |
| Volcengine Lip Sync | Modo: Leve, para um só falante de frente, mais rápido, ou Básico, para cenas complexas com vários falantes. Separar vocais (reduzir ruído) tira o ruído do áudio. Detecção de cenas + identificação de falantes (só no Básico) encontra os cortes de cena e quem fala. Repetir o vídeo em loop se o áudio for mais longo (só no Leve, ativado por padrão) e Loop reverso (ida e volta) tratam o áudio que passa do fim do vídeo. Início do template (segundos) define em que ponto do vídeo os lábios começam a acompanhar o áudio. A saída tem a duração do áudio: um vídeo mais longo é cortado, e um mais curto é repetido em loop. |
OmniHuman 2.0
O OmniHuman 2.0 anima uma imagem fixa a partir de uma faixa de áudio. É um modelo diferente do OmniHuman 1.5, e não um substituto. A voz conduz os lábios e o movimento, e a saída é um MP4 em 720p com a duração do áudio, de até 5 minutos. Cada limite abaixo é verificado antes de qualquer reserva de créditos, e uma execução fora deles é recusada com uma mensagem que diz qual é o limite.
| Entrada | Limites |
|---|---|
| Retrato | Uma imagem com menos de 30 MB, cada lado entre 300 e 6.000 pixels, com largura ÷ altura entre 0,4 e 2,5. JPEG, PNG, WebP, GIF ou TIFF. Uma imagem HEIC ou BMP é recusada, então converta-a para JPEG ou PNG antes. |
| Áudio | Até 300 segundos, num arquivo com menos de 100 MB, em qualquer formato de áudio comum, como MP3, WAV, M4A, AAC, Ogg, FLAC ou WebM. Uma playlist ou um manifesto de transmissão é recusado. |
- Um áudio curto é completado. Um áudio com menos de 4 segundos recebe silêncio até chegar a 4 segundos. O avatar fica parado na parte completada.
- Um áudio longo é recusado. Corte antes um áudio com mais de 5 minutos, por exemplo com o Cortar áudio. Um áudio até 0,05 segundo mais longo, que é o que um corte de 5 minutos pode render na decodificação, é reservado e cobrado como 300 segundos e cortado em exatamente 300 segundos antes de ser enviado.
- A duração é a que toca. O Nodaro decodifica o áudio para medi-lo e cobra a execução pelo tempo que ele realmente toca. Lacunas no áudio tocam como silêncio e entram na duração.
- Um áudio danificado é recusado. Um áudio que não decodifica até o fim é recusado antes de qualquer reserva, com o código
audio_unreadable. Exporte o áudio de novo como um arquivo completo. - Ocupado. Quando há áudios demais sendo medidos ao mesmo tempo, uma requisição espera até 30 segundos, e uma execução de workflow ou de app espera até 2 minutos. Depois disso, ela é recusada antes de qualquer reserva. Tente de novo em instantes.
Os modelos Seedance fazem sincronização labial nativa, no nível dos fonemas, em mais de 8 idiomas. Eles funcionam como o Gerar vídeo, com o áudio enviado como áudio de referência. O Seedance 2.5 Flash é a versão mais rápida e de menor custo do Seedance 2.5, em 480p ou 720p. Ele aceita uma fala de 2 a 30 segundos, e uma fala fora dessa faixa é recusada antes de qualquer reserva. Uma fala que não é WAV nem MP3, como um arquivo M4A, é convertida para MP3 antes de ser enviada.
A sua fala é a trilha sonora
Os modelos Seedance e o MiniMax H3 leem a sua fala para mover os lábios, e o clipe que eles retornam nem sempre a traz. O Nodaro verifica o clipe retornado. Quando ele não tem faixa de áudio, o Nodaro coloca a sua fala nele antes de salvar o resultado:
- A voz começa no primeiro quadro. Ela nunca é esticada.
- Uma fala mais longa que o clipe é cortada onde o clipe termina, e uma mais curta é seguida de silêncio.
- A imagem é copiada como está, a menos que o resultado tenha marca-d'água ou precise ser convertido para o navegador.
Um clipe que volta com o próprio áudio é salvo como está. Um clipe também é entregue como veio quando não é possível verificar se ele tem áudio, ou quando a sua fala não pode ser lida, por exemplo porque o link dela não responde mais. Se esse clipe estiver sem som, adicione a voz com um nó Mesclar vídeo e áudio. Se a voz não puder ser adicionada por outro motivo, a execução é tentada de novo a partir do clipe já feito, e o modelo nunca roda duas vezes. Se ainda assim falhar, a execução falha e os créditos dela são reembolsados.
Modelos
| Modelo | Desenvolvedor | Modos | Créditos | Detalhes |
|---|---|---|---|---|
| MiniMax H3 | MiniMax | Imagem para vídeo, Texto para vídeo | a partir de 253 | MiniMax H3 — nível multimodal de alta qualidade: quadro inicial e final mais referências de imagem, vídeo e áudio, áudio nativo, saída em 2K (padrão) ou 768P e preço por segundo, de 4 a 15 s. |
| Kling Avatar Standard | Kuaishou | Sincronização labial | 308 | Sincroniza os lábios de um retrato estático com um áudio guia. Qualidade padrão. |
| Kling Avatar Pro | Kuaishou | Sincronização labial | 616 | Sincronização labial de alta qualidade — formato da boca e tempo mais precisos. |
| Seedance 2 | Bytedance | Imagem para vídeo, Texto para vídeo | a partir de 253 | Seedance 2 — nível de alta qualidade, com áudio nativo. Preço por segundo conforme a resolução. |
| Seedance 2 Fast | Bytedance | Imagem para vídeo, Texto para vídeo | a partir de 198 | Nível mais barato e mais rápido do Seedance 2. |
| Seedance 2 Mini | Bytedance | Imagem para vídeo, Texto para vídeo | a partir de 132 | Nível econômico do Seedance 2 — só 480p/720p, preço por segundo conforme a resolução. |
| Seedance 2.5 | Bytedance | Imagem para vídeo, Texto para vídeo, Vídeo para vídeo | a partir de 374 | Seedance 2.5 — até 30 s em uma única tomada, áudio nativo e amplas referências multimodais. 480p/720p/1080p. |
| OmniHuman 1.5 | Bytedance | Sincronização labial | a partir de 1.122 | Avatar falante de alta qualidade dirigido por prompt, a partir de uma imagem fixa e um áudio. 720p / 1080p, até 60 s. Pessoas, animais de estimação e anime. |
| OmniHuman 2.0 | Bytedance | Sincronização labial | 39 | Avatar falante a partir de uma imagem fixa + um áudio, conduzido pela voz, com um prompt opcional para a cena, o movimento e a câmera. 720p, de 4 segundos a 5 minutos, cobrado por segundo de áudio. |
| Sync Lipsync v3 | Sync | Sincronização labial | a partir de 1.100 | Dubla um vídeo existente — sincroniza de novo os lábios com uma nova faixa de áudio. Entrada de vídeo, cobrança por segundo. |
| Volcengine Lip Sync | Volcengine | Sincronização labial | a partir de 330 | Dublagem de vídeo para vídeo com IA — sincroniza de novo os lábios com uma nova faixa de voz. Vários falantes (detecção de cenas e identificação de falantes) no modo básico. Entrada de vídeo, cobrança por segundo. |
A lista Provedor também oferece o HeyGen Lipsync Precision e o Lipsync 2 Pro para dublagem, e o LatentSync, o melhor para canto. O MiniMax H3 (minimax-h3) está disponível pela API, e não na lista Provedor. Ele renderiza em 2K e é cobrado pelo preço de 8 segundos, 803 créditos, em todos os caminhos: uma execução avulsa, uma execução de workflow ou de app e as estimativas. A fala pode ter até 15 segundos.
Modelos aposentados
O Wav2Lip, o VideoReTalking e o SadTalker foram aposentados do Sincronização labial. Um nó salvo, uma requisição pela API ou pelo SDK, ou uma chamada MCP que ainda indique um deles (wav2lip, video-retalking, sadtalker) é recusado antes de qualquer cobrança, com uma mensagem para escolher outro modelo. O editor mostra esse nó como aposentado e mantém as configurações dele até você escolher outro modelo. Nada troca o modelo por você, porque os modelos diferem nas entradas e no preço.
Duração do áudio
| Modelo | Áudio mais longo |
|---|---|
| Kling Avatar, Kling Avatar Pro | 5 minutos |
| Volcengine Lip Sync | 5 minutos |
| HeyGen Lipsync Precision, Lipsync 2 Pro, Sync Lipsync v3 | 5 minutos |
| OmniHuman 1.5 | 60 segundos |
| OmniHuman 2.0 | 5 minutos, no mínimo 4 segundos (um áudio mais curto é completado) |
| Seedance 2 Fast | 15,2 segundos por clipe |
| Seedance 2.5 | 30 segundos por clipe |
| Seedance 2.5 Flash | 2 a 30 segundos; outras durações são recusadas |
Um áudio mais longo que o limite é cortado para meio segundo abaixo dele antes de ser enviado, e um modelo cobrado pela duração do áudio cobra a faixa mais alta por ele. No HeyGen Lipsync Precision, no Lipsync 2 Pro e no Sync Lipsync v3, um áudio além de 5 minutos é cortado na faixa de 5 minutos que é cobrada. No OmniHuman 2.0, um áudio mais longo é recusado antes de qualquer reserva, e não cortado. Execuções longas no Kling Avatar e no Volcengine Lip Sync podem levar dezenas de minutos, e o editor espera por até cerca de uma hora.
Créditos
A maioria dos modelos é cobrada pela duração do áudio, arredondada para cima até a próxima faixa de duração. O Nodaro mede o áudio por conta própria antes de reservar qualquer coisa, em todos os caminhos: o Executar do editor, uma execução de workflow ou de app, a API, o SDK e o MCP. A execução reserva a faixa da duração medida, e a reserva é a cobrança: nada é reembolsado nem acrescentado depois. Veja Como a duração do áudio é medida.
| Modelo | 15 s | 30 s | 1 min | 2 min | 5 min |
|---|---|---|---|---|---|
| Kling Avatar (720p) | 330 | 660 | 1.320 | 2.640 | 6.600 |
| Kling Avatar Pro (1080p) | 660 | 1.320 | 2.640 | 5.280 | 13.200 |
| OmniHuman 1.5 | 1.122 | 2.233 | 4.455 | — | — |
| Volcengine Lip Sync | 330 | 660 | 1.320 | 2.640 | 6.600 |
| HeyGen Lipsync Precision | 561 | 1.111 | 2.211 | 4.411 | 11.011 |
| Lipsync 2 Pro | 693 | 1.375 | 2.750 | 5.500 | 13.739 |
| Sync Lipsync v3 | 1.100 | 2.200 | 4.400 | 8.800 | 22.000 |
- O OmniHuman 1.5 aceita no máximo 60 segundos de áudio, então só valem as faixas de 15 segundos, 30 segundos e 1 minuto. A resolução dele não muda o preço.
- O OmniHuman 2.0 é cobrado por segundo de áudio, sem faixas. A duração é arredondada para cima até um segundo inteiro, com mínimo de 4 segundos. Um áudio que toca até 0,05 segundo além de um segundo inteiro é cobrado como esse segundo, então 10,04 segundos são cobrados como 10 segundos, e 10,1 segundos como 11. O Nodaro mede o áudio antes de reservar qualquer coisa, e a reserva é a cobrança: nada é reembolsado ou somado depois. Antes de o áudio ser conectado, a etiqueta de créditos mostra o preço de 15 segundos, marcado com
≈. - Os modelos Seedance fazem um clipe de 8 segundos a partir do retrato e da fala. Por isso, uma execução custa o preço de 8 segundos do modelo na resolução em que renderiza, seja qual for a duração da fala. Uma resolução que o modelo não gera roda, e é cobrada, na mais alta dele. Assim, 1080p ou 4K no Seedance 2 Fast, no Seedance 2 Mini ou no Seedance 2.5 Flash rodam em 720p, e 4K no Seedance 2.5 roda em 1080p. Sem resolução definida, a execução é em 720p. O preço do Seedance 2.5 Flash aparece no botão Executar do nó.
| Modelo | 480p | 720p | 1080p | 4K |
|---|---|---|---|---|
| Seedance 2 | 418 | 902 | 2.244 | 4.576 |
| Seedance 2 Fast | 341 | 726 | — | — |
| Seedance 2 Mini | 209 | 451 | — | — |
| Seedance 2.5 | 616 | 1.386 | 3.476 | — |
O preço antes de uma execução
O chip de créditos do nó, o botão Executar dele, a estimativa do workflow e o preço anunciado de um app leem a duração do áudio conectado desta forma:
- Um áudio enviado é lido pela duração registrada para ele. Um áudio AAC (um arquivo M4A, MP4 ou AAC, ou o som de um vídeo MP4) pode tocar um quadro AAC além dessa duração. A 44,1 ou 48 kHz, isso não muda nada. Com uma taxa de amostragem mais baixa, ou uma taxa que não foi registrada, a estimativa pode subir um segundo ou uma faixa. Por exemplo, um M4A de 15 segundos gravado a 16 kHz é cotado na faixa de 30 segundos no Kling Avatar.
- Um nó que não é executado nesta execução passa adiante o resultado dele, que é lido pela duração registrada com ele.
- Um áudio que um nó faz nesta execução, com uma duração conhecida antes da execução, é lido por essa duração mais um décimo de segundo. Um arquivo gerado passa alguns centésimos de segundo da duração planejada, e o áudio é arredondado para cima. Assim, o som de um clipe de 5 segundos é cotado como 6 segundos. Um Modificador de voz, Modificador de voz Pro ou Ajustar volume de uma gravação de 8 segundos é cotado como 9 segundos. O mesmo vale para um Extrair áudio de um vídeo de 8 segundos e para um Cortar áudio que mantém 8 segundos. Depois de uma Dublagem ou de um Extrator de voz, a estimativa acrescenta um quarto de segundo no lugar disso, porque os arquivos deles passam mais da duração da entrada. Um Mixar áudio definido para terminar com a voz é cotado pela duração dessa voz.
- Uma voz gerada de novo nesta execução, como a de um nó Texto para fala ou Texto para diálogo, é lida pela duração da tomada que ele tem agora. Isso é um mínimo, não o preço. A nova tomada pode ser mais longa, e a execução é cobrada pelo áudio que mede, que pode cair em uma faixa mais alta. O preço anunciado de um app lê a voz pelo roteiro dela, quando consegue.
Sem áudio conectado, o nó mostra a duração que mediu do próprio áudio na última execução, nunca abaixo de 15 segundos. Essa duração fica guardada nas configurações do nó, onde um workflow escrito pela API ou pelo MCP pode defini-la com qualquer valor, então uma duração menor é mostrada pelo preço de 15 segundos. No OmniHuman 2.0, antes de a duração do áudio ser conhecida, todo preço antes de uma execução mostra o preço de 15 segundos. Isso vale para o chip de créditos, marcado com ≈, a estimativa do workflow, a verificação de créditos antes de uma execução e o anúncio de um app. Isso é um mínimo, não o preço. A execução mede o áudio e é cobrada por ele, então um áudio mais longo custa mais e precisa desse saldo quando a execução chega ao nó. Nos modelos cobrados por faixas, a estimativa antes de a duração ser conhecida é a faixa mais alta do modelo.
Qual áudio tem o preço calculado. Quando vários nós de áudio chegam a um nó Sincronização labial, a estimativa lê o áudio que a execução dele toca. Uma execução de workflow, de app ou pela API toca o último áudio conectado, ou o áudio escolhido no painel de configurações quando nenhum está conectado. O próprio Executar do nó no editor toca primeiro o áudio escolhido e, se não houver, o último conectado.
Como a duração do áudio é medida
O Nodaro baixa o áudio e o decodifica para contar quanto tempo ele realmente toca, nunca a duração que o arquivo declara. Lacunas contam como silêncio. Uma duração que uma requisição ou um nó leva é ignorada. Por exemplo, no Kling Avatar:
| O áudio toca | Cobrança |
|---|---|
| 12 segundos | A faixa de 15 segundos, 330 créditos |
| 15,03 segundos | A faixa de 15 segundos, 330 créditos, e o áudio é enviado cortado em exatamente 15 segundos |
| 15,1 segundos | A faixa de 30 segundos, 660 créditos |
| 42 segundos | A faixa de 1 minuto, 1.320 créditos |
| 6 minutos | A faixa de 5 minutos, 6.600 créditos, cortado para pouco menos de 5 minutos |
- O limite de uma faixa. Um áudio que toca no máximo 0,05 segundo além da duração de uma faixa é cobrado nessa faixa, e a cópia enviada é cortada exatamente nessa duração. Um arquivo M4A de exatamente 15 segundos pode medir 15,02 segundos, porque os decodificadores divergem em alguns centésimos de segundo. O OmniHuman 2.0 perdoa os mesmos 0,05 segundo além de cada segundo inteiro que cobra, e o áudio dele é enviado inteiro.
- Recusado antes de qualquer reserva. Um áudio que não decodifica até o fim, um arquivo que não pode ser baixado ou decodificado (
audio_unreadable) e um arquivo de 100 MB ou mais (audio_too_large) são recusados. O mesmo vale para uma execução que encontra todas as vagas de medição ocupadas (lip_sync_audio_busy). - O áudio cobrado é o áudio enviado. Para a execução, o Nodaro baixa o áudio de novo. Se o arquivo no link mudou e agora cai em uma faixa mais alta, a execução para antes de o modelo ser chamado, e nada é cobrado. Caso contrário, o modelo recebe um MP3 feito exatamente a partir do áudio que foi cobrado.
- Em uma instalação auto-hospedada cujo armazenamento os modelos não conseguem alcançar, o modelo recebe o próprio link do áudio.
Dicas
- Use um retrato nítido e de frente. A qualidade do rosto importa mais que a resolução: uma foto nítida em 720p funciona melhor que uma foto 4K borrada.
- Limpe o áudio antes. Fala sem música nem ruído sincroniza melhor. Use o Extrator de voz para isolar a voz.
- Adicione pequenos movimentos. Um prompt de movimento como “leves acenos de cabeça” aumenta o realismo.
- Duble em vários idiomas. Traduza a fala com o Dublagem ou com uma nova narração e depois ressincronize os lábios com um modelo de dublagem.
- Clipes curtos são baratos. Com o preço por segundo, uma fala curta custa pouco; acompanhe o chip de créditos depois de conectar o áudio.
Pela API
Todo modelo cobrado pela duração do áudio é cobrado pela duração que o Nodaro mede. Uma duração enviada em audioDurationSec, ou audio_duration_sec no MCP, é ignorada. No OmniHuman 2.0 (omnihuman-2-0), um pedido que envia resolução, modo rápido ou seed tem esses valores descartados.
O POST /v1/lip-sync aceita no máximo 30 requisições por minuto de um mesmo chamador para os modelos que medem o áudio: Kling Avatar, Kling Avatar Pro, OmniHuman 1.5, OmniHuman 2.0 e os modelos de dublagem. Acima disso, ele responde 429 (rate_limit_exceeded). Quando todas as vagas de medição estão ocupadas, uma requisição espera até 30 segundos e depois é recusada com 429 (lip_sync_audio_busy). Se a medição do áudio demora demais e é interrompida, a requisição recebe 503 (lip_sync_audio_measure_stopped), e nada é cobrado. Tente de novo. Veja Executar um único nó.
Perguntas frequentes
Do que o nó “Sincronização labial” precisa?
De uma faixa de áudio com fala e, conforme o modelo, de um retrato ou de um vídeo. Os modelos de retrato fazem um novo vídeo de cabeça falante. Os modelos de dublagem, como o Sync Lipsync v3 e o Volcengine Lip Sync, ressincronizam os lábios de um vídeo existente com um novo áudio.
Qual modelo de sincronização labial devo escolher?
O Kling Avatar Pro dá o melhor formato de boca para um retrato. O OmniHuman 1.5 segue um prompt de movimento e anima pessoas, animais de estimação e anime. Para dublar um vídeo existente, o Volcengine Lip Sync é a opção moderna mais barata e a única que lida com vários falantes.
Quantos créditos o “Sincronização labial” custa?
A maioria dos modelos cobra por segundo de áudio, arredondado para cima até uma faixa de duração de 15 segundos, 30 segundos, 1, 2 ou 5 minutos. Por exemplo, o Kling Avatar custa 330 créditos por 15 segundos, e o Volcengine Lip Sync, 1.320 créditos por um minuto.
Qual pode ser a duração do áudio?
Até 5 minutos na maioria dos modelos. O OmniHuman 1.5 aceita 60 segundos; nesse modelo, um áudio mais longo é cortado. O OmniHuman 2.0 aceita até 5 minutos e recusa um áudio mais longo em vez de cortá-lo.
Como faço uma cabeça falante a partir de texto?
Conecte um nó “Texto para fala” à entrada “Áudio” e um retrato à entrada “Retrato”. A faixa de voz então conduz os lábios.
Páginas relacionadas
Avatar de IA
Texto para fala
Dublagem
Extrator de voz
Modelos de vídeo
Última atualização
Avatar cinematográfico
Crie, a partir de um prompt, um clipe cinematográfico curto com 1 a 3 visuais de avatar do HeyGen. Sem texto nem voz: o prompt dirige cena, ação e câmera.
Fala para vídeo
Gere um vídeo guiado por uma faixa de fala com o Wan 2.2. Conecte o áudio da fala, um retrato e um prompt e receba um vídeo falado a partir de 33 créditos.