Zum Hauptinhalt springen
Generierungstools und Bearbeitung

LipSync

Dieser Leitfaden erklärt, wie LipSync funktioniert, wie du Eingabedateien vorbereitest, und wie du die besten Ergebnisse erzielst.

Zuletzt aktualisiert Vor 1 Tag

Was das Tool macht

LipSync animiert ein einzelnes Foto, sodass es spricht, unter Verwendung deines Audios und eines optionalen Text-Prompts, angetrieben durch OmniHuman 1.5. Die Lippen deiner Figur bewegen sich natürlich synchron zum Audio, Gesichtsausdrücke passen zu Emotion und Kontext, und die Identität (Gesicht, Stil, Haare, Beleuchtung) bleibt durchgehend konsistent. Funktioniert auch mit sehr kurzen Audioclips. Vollständig unzensiert.

🎬 Ergebnisse

Ein Blick darauf, was LipSync aus einem Foto und einer Audiodatei erzeugen kann.

Schritt-für-Schritt-Anleitung

Schritt 1. Model. LipSync läuft derzeit auf einem einzigen Modell, General, angetrieben durch OmniHuman 1.5: uneingeschränktes Charakterverhalten, realistische Mikro-Ausdrücke, Verständnis der Audio-Bedeutung (nicht nur der Laute), sanfte Kopfbewegung und natürliche Gesten, sowie starke Identitätswahrung.

Schritt 2. Image: erforderlich. Lade das Gesicht oder die Figur hoch, die du animieren möchtest. JPG, PNG, JFIF oder HEIC, unter 5MB, bis zu 4096×4096. Die besten Ergebnisse entstehen bei einem Frontal- oder ¾-Winkel, hoher Auflösung, klarer Beleuchtung (keine starken Schatten), keinen Verdeckungen im Gesicht, und einer Person im Bild.

Schritt 3. Audio File: erforderlich. MP3 oder WAV. Das Tool liest die Semantik der Sprache, nicht nur Phoneme: Es versteht, was gesagt wird, und erzeugt passende Reaktionen und Ausdrücke. Saubere Sprachaufnahmen funktionieren am besten; vermeide Hintergrundgeräusche oder Musik, und halte die Lautstärke normal (nicht übermäßig komprimiert).

Schritt 4. Prompt (optional). Beschreibe, was du im Video möchtest: Emotion, Ton, Stil, Kamerabewegung, Verhalten der Figur, oder Szenenatmosphäre. Beispiel: „Selbstbewusst, sanftes Lächeln, warmer emotionaler Ton. Leichte Kopfneigung. Freundliche und einladende Stimmung."

Schritt 5. Resolution: für dieses Modell fest auf 1080p eingestellt.

Schritt 6. Duration: wird automatisch durch die Länge deiner hochgeladenen Audiodatei bestimmt.

Schritt 7. Generate Lipsync: startet den Durchlauf. Kostet 3 Credits pro Sekunde Audio. Die Verarbeitung dauert je nach Videolänge in der Regel 5–30 Sekunden.

Profi-Tipps

Wähle das richtige Referenzbild: vermeide beschnittene Gesichter, starke Filter, Sonnenbrillen oder große Masken. Verwende scharfe, hochwertige Porträts.

Nimm sauberes Audio auf: sprich klar, vermeide Echo und Hintergrundeffekte, und halte Mundbewegungen natürlich.

Effektiv prompten: Prompts helfen, sollten aber dem Audio nicht widersprechen. Gut: „Sanfter, emotionaler Vortrag. Sanfte Augenbewegung." oder „Energischer Influencer-Stil, lächelnd beim Sprechen." Vermeiden: „Schreien und Springen" bei ruhigem Audio, extrem komplexe Kamerabewegungen, oder physische Aktionen, die in einem Porträtrahmen nicht möglich sind.

Für KI-Modelle / virtuelle Influencer: wenn du mehrere Videos einer Figur generierst, verwende denselben Satz an Referenzfotos wieder und halte den Fotostil und die Beleuchtung über die Aufnahmen hinweg konsistent.

Problembehandlung

Du arbeitest mit KI: Gelegentliche Fehler oder Artefakte sind normal, ein zu 100 % korrektes Ergebnis ist nicht garantiert.

Mund-Desynchronisation oder unnatürliche Lippen? Prüfe die Audioklarheit, vermeide rauschunterdrückte/robotisch klingende Aufnahmen, und kürze das Audio, um lange stille Passagen zu entfernen.

Gesichtsverzerrung oder Identitätsdrift? Verwende ein hochwertigeres Referenzbild, vermeide extreme Kamerawinkel, nutze Hochformat, und vermeide dunkle, körnige Fotos.

Emotion passt nicht? Passe den Prompt an, vermeide widersprüchliche Anweisungen, und stelle sicher, dass das Audio selbst eine klare Emotion hat.

Falls etwas nicht wie erwartet funktioniert hat, kontaktiere uns über den Support-Chat in der App oder schreibe an [email protected].

FAQ

Nein. Beginne mit einem neutralen, klaren Referenzfoto: Ausdrücke und Emotion kommen von deinem Audio und dem optionalen Prompt, nicht vom Quellbild.

Ja, das General-Modell ist unzensiert (Safety Filters: Minimal).

Die Auflösung ist beim General-Modell fest auf 1080p eingestellt. Es gibt keine niedrigere oder höhere Option zur Auswahl.

LipSync kostet 3 Credits pro Sekunde Audio, daher hängen die Gesamtkosten von der Länge der hochgeladenen Audiodatei ab.

Bis zu einem gewissen Grad mit dem optionalen Prompt, aber halte Anweisungen realistisch für einen Porträtrahmen und widersprich nicht dem, was das Audio vermittelt.

Wie geht es weiter

War dies hilfreich?

Brauchen Sie noch Hilfe? Team fragen