Ir al contenido principal
Herramientas de generación y edición

LipSync

Esta guía explica cómo funciona LipSync, cómo preparar los archivos de entrada y cómo lograr los mejores resultados.

Última actualización Hace 1 día

Qué hace la herramienta

LipSync anima una sola foto para que hable, usando tu audio y un prompt de texto opcional, impulsado por OmniHuman 1.5. Los labios de tu personaje se mueven de forma natural en sincronía con el audio, las expresiones faciales coinciden con la emoción y el contexto, y la identidad (rostro, estilo, pelo, iluminación) se mantiene consistente en todo momento. Funciona incluso con clips de audio muy cortos. Totalmente sin censura.

🎬 Resultados

Un vistazo a lo que LipSync puede producir a partir de una foto y un archivo de audio.

Guía paso a paso

Paso 1. Model. LipSync funciona actualmente con un único modelo, General, impulsado por OmniHuman 1.5: comportamiento de personaje sin restricciones, micro-expresiones realistas, comprensión del significado del audio (no solo sonidos), movimiento de cabeza fluido y gestos naturales, y fuerte preservación de identidad.

Paso 2. Image: obligatorio. Sube el rostro o personaje que quieres animar. JPG, PNG, JFIF o HEIC, menos de 5MB, hasta 4096×4096. Los mejores resultados se obtienen con un ángulo frontal o de 3/4, alta resolución, iluminación clara (sin sombras intensas), sin obstrucciones en el rostro, y una sola persona en la imagen.

Paso 3. Audio File: obligatorio. MP3 o WAV. La herramienta lee la semántica del habla, no solo los fonemas: entiende lo que se dice y crea reacciones y expresiones acordes. Las grabaciones de voz limpias funcionan mejor; evita el ruido de fondo o la música, y mantén el volumen normal (no excesivamente comprimido).

Paso 4. Prompt (opcional). Describe lo que quieres en el vídeo: emoción, tono, estilo, movimiento de cámara, comportamiento del personaje, o atmósfera de la escena. Ejemplo: "Confiada, sonrisa suave, tono emocional cálido. Ligera inclinación de cabeza. Ambiente amigable y acogedor."

Paso 5. Resolution: fija en 1080p para este modelo.

Paso 6. Duration: determinada automáticamente por la duración de tu archivo de audio subido.

Paso 7. Generate Lipsync: inicia la ejecución. Cuesta 3 créditos por segundo de audio. El procesamiento suele tardar entre 5 y 30 segundos según la duración del vídeo.

Consejos profesionales

Elige la imagen de referencia correcta: evita rostros recortados, filtros intensos, gafas de sol o máscaras grandes. Usa retratos nítidos y de alta calidad.

Graba audio limpio: habla con claridad, evita el eco y efectos de fondo, y mantén los movimientos de la boca naturales.

Escribe prompts efectivos: los prompts ayudan, pero no deben contradecir el audio. Bien: "Entrega suave y emotiva. Movimiento de ojos delicado." o "Estilo de influencer enérgico, sonriendo mientras habla." Evita: "Gritar y saltar" sobre un audio calmado, movimientos de cámara extremadamente complejos, o acciones físicas que no son posibles en un encuadre de retrato.

Para modelos de IA / influencers virtuales: al generar múltiples vídeos de un personaje, reutiliza el mismo conjunto de fotos de referencia y mantén el estilo de foto e iluminación consistentes en todas las sesiones.

Solución de problemas

Estás trabajando con IA: los errores o artefactos ocasionales son normales, y no se garantiza un resultado 100% correcto.

¿Desincronización de la boca o labios poco naturales? Comprueba la claridad del audio, evita grabaciones con supresión de ruido o robóticas, y acorta el audio para eliminar largos silencios.

¿Distorsión del rostro o deriva de identidad? Usa una imagen de referencia de mayor calidad, evita ángulos de cámara extremos, usa orientación vertical, y evita fotos con poca luz o granuladas.

¿La emoción no coincide? Ajusta el prompt, evita instrucciones contradictorias, y asegúrate de que el propio audio tenga una emoción clara.

Si algo no salió como esperabas, contáctanos por el chat de soporte en la app, o escribe a [email protected].

Preguntas frecuentes

No. Empieza con una foto de referencia neutra y clara: las expresiones y la emoción vienen de tu audio y del prompt opcional, no de la imagen de origen.

Sí, el modelo General no tiene censura (Safety Filters: Minimal).

La resolución está fijada en 1080p para el modelo General. No hay opción más baja o más alta para elegir.

LipSync cuesta 3 créditos por segundo de audio, así que el coste total depende de la duración del archivo de audio que subas.

Hasta cierto punto, usando el prompt opcional, pero mantén las instrucciones realistas para un encuadre de retrato, y no contradigas lo que transmite el audio.

Y ahora, ¿qué?

¿Fue útil esto?

¿Aún necesitas ayuda? Pregunta al equipo