LipSync

本指南解釋了 LipSync 的運作原理、如何準備輸入檔案,以及如何獲得最佳效果。

最後更新 1 天前

該工具的功能

LipSync 利用你的音訊和可選的文字提示詞,由 OmniHuman 1.5 驅動,讓單張照片「開口說話」。角色的嘴唇會與音訊自然同步,面部表情會匹配情感與語境,而身份特徵(面部、風格、髮型、光線)在整個過程中保持一致。即使是非常短的音訊片段也能生成效果。完全無內容審查。

看看 LipSync 能用一張照片和一段音訊檔案生成怎樣的效果。

第 1 步:Model。LipSync 目前運行在單一模型 General 上,由 OmniHuman 1.5 驅動:無限制的角色行為、逼真的微表情、對音訊含義(而不僅是聲音)的理解、流暢的頭部動作和自然的手勢,以及強大的身份保持能力。

第 2 步:Image。必填。上傳你想要生成動畫的面孔或角色。支援 JPG、PNG、JFIF 或 HEIC 格式,大小需小於 5MB,尺寸最高 4096×4096。使用正面或 3/4 角度、高解析度、光線清晰(無強烈陰影)、面部無遮擋、圖片中僅有一人時效果最佳。

第 3 步:Audio File。必填。MP3 或 WAV 格式。該工具讀取的是語音的語意,而不僅僅是音素,它能理解所說的內容,並生成相匹配的反應和表情。乾淨的語音錄音效果最佳;請避免背景噪音或音樂,並保持音量正常(不要過度壓縮)。

第 4 步:Prompt(可選)。描述你想在影片中呈現的內容:情緒、語氣、風格、鏡頭運動、角色行為或場景氛圍。範例:「自信,柔和的微笑,溫暖的情感語氣。輕微的頭部傾斜。友好、親切的氛圍。」

第 5 步:Resolution。該模型固定為 1080p。

第 6 步:Duration。由你上傳的音訊檔案長度自動決定。

第 7 步:Generate Lipsync。開始生成。費用為每秒音訊 3 點數。處理通常需要 5–30 秒,具體取決於影片長度。

選擇合適的參考圖片: 避免裁切過的面孔、過重的濾鏡、太陽眼鏡或大面積遮擋;使用清晰、高品質的肖像照。

錄製乾淨的音訊: 發音清晰,避免回聲和背景音效,保持嘴部動作自然。

有效撰寫提示詞: 提示詞有幫助,但不應與音訊相矛盾。好的範例:「輕柔、富有情感的表達。眼神輕柔移動。」或「充滿活力的網紅風格,說話時保持微笑。」應避免的範例:在平靜的音訊上使用「尖叫並跳躍」、過度複雜的鏡頭運動,或肖像畫面中不可能出現的身體動作。

適用於 AI 模型/虛擬網紅: 在為同一角色生成多個影片時,請重複使用同一組參考照片,並在各次拍攝中保持照片風格和光線的一致性。

這是 AI 處理結果,偶爾出現錯誤或瑕疵屬於正常現象,無法保證 100% 準確。

嘴部不同步或嘴唇不自然? 檢查音訊清晰度,避免使用降噪過度或機械感強的錄音,並縮短音訊以去除長時間的靜音片段。

面部扭曲或身份漂移? 使用品質更高的參考圖片,避免極端鏡頭角度,使用直式構圖,並避免光線昏暗、顆粒感強的照片。

情緒不匹配? 調整提示詞,避免相互矛盾的指令,並確保音訊本身帶有清晰的情緒。

如果結果不符合預期,請透過應用程式內的客服聊天與我們聯繫,或發送郵件至 [email protected]。

圖片是否需要已經呈現我想要的表情?

不需要。請從一張中性、清晰的參考照片開始。表情和情緒來自你的音訊和可選的提示詞,而非來源圖片。

我可以將 LipSync 用於 NSFW 內容嗎?

可以,General 模型不設內容審查(Safety Filters:Minimal)。

為什麼我的解析度固定在 1080p?

General 模型的解析度固定為 1080p。沒有更低或更高的選項可供選擇。

費用是如何計算的?

LipSync 每秒音訊費用為 3 點數,因此總費用取決於你上傳的音訊檔案長度。

我可以控制鏡頭運動或角色的動作嗎?

在一定程度上可以,透過可選的提示詞實現,但請保持指令在肖像畫面中的合理性,且不要與音訊所傳達的內容相矛盾。

這是否有幫助？

仍需要協助嗎？詢問團隊