Volcengine Video Lip Sync Synchronizacja ust w wideo AI

Użyj go, gdy wideo źródłowe jest już wynikiem wizualnym do zachowania, a tylko wypowiedź ma podążać za inną ścieżką głosową. To przepływ synchronizacji ust oparty na wideo i audio, a nie generator wideo prowadzony promptem ani model animacji portretu.

Prześlij dokładnie jedno wideo MP4 lub MOV o rozmiarze do 95 MB oraz jeden plik audio MP3, M4A, WAV, AAC albo OGG o rozmiarze do 10 MB. Wideo musi mieścić się w obsługiwanej geometrii od 360p do 1080p, działać z częstotliwością od 24 do 60 fps i bitrate od 1 do 30 Mbps, a oba pliki muszą mieć dodatni, zweryfikowany czas trwania.

Wybierz Lite dla jednej osoby zwróconej do kamery, gdy przydają się szybsze przetwarzanie i ustawienia dopasowania audio do wideo. Wybierz Basic dla bardziej złożonej sceny z jedną osobą, szczególnie gdy potrzebne są segmentacja scen i identyfikacja mówcy.

W trybie Lite dopasowanie audio może zapętlać wideo, gdy docelowe audio jest dłuższe. Pętla odwrócona jest dostępna tylko przy włączonym dopasowaniu, a wartość początku szablonu wybiera miejsce rozpoczęcia sekwencji źródłowej. Tryb Basic nie używa tych ustawień.

Rivya stosuje stawkę 8 kredytów za zweryfikowaną sekundę audio, a czas wyniku podąża za tym audio. Ułamkowy czas pozostaje częścią pełnego obliczenia, a w górę do pełnego kredytu zaokrąglana jest tylko suma rezerwacji. Gdy zgłoszone rzeczywiste zużycie jest prawidłowe i nie przekracza rezerwacji, Rivya rozlicza zadanie według tej wartości; brakujące, nieprawidłowe lub przekraczające rezerwację zużycie trafia do uzgodnienia zamiast powodować ukryte dodatkowe obciążenie.

Połącz istniejące wideo z jedną osobą z docelową ścieżką głosową, aby widoczna mowa podążała za nowym audio, a materiał źródłowy pozostał podstawą wizualną.

Użyj obsługiwanego pliku MP4 lub MOV z wyraźnie widocznym mówcą, następnie przygotuj czystą ścieżkę głosową. Sprawdź, czy wideo ma nie więcej niż 95 MB, a jego rozdzielczość, liczba klatek i bitrate mieszczą się w podanych limitach.

Zacznij od Lite dla prostego materiału frontalnego. Użyj Basic, gdy scena jest bardziej złożona albo przydają się segmentacja scen i identyfikacja mówcy.

Szczegóły są publiczne, ale przesyłanie i generowanie wymagają logowania. Cena wynosi 8 kredytów za zweryfikowaną sekundę audio, wynik podąża za czasem audio, a w górę zaokrąglana jest tylko końcowa obliczona suma.

Zostań tutaj dla jednego testu wideo źródłowego i ścieżki głosowej. Otwórz Studio dla zapisanych dubbingów, kolejnych języków lub ujęć, porównań albo dłuższego przepływu lokalizacyjnego.