Volcengine Video Lip Sync AI 影片嘴型同步

當來源影片已是你想保留的視覺結果，只有說話演出需要跟隨另一條人聲軌時，可使用此模型。這是影片加音訊的嘴型同步工作流程，不是提示詞引導的影片生成器或肖像動畫模型。

上傳恰好一段不超過 95 MB 的 MP4 或 MOV 影片，以及一個不超過 10 MB 的 MP3、M4A、WAV、AAC 或 OGG 音訊檔。影片幾何必須介於支援的 360p 至 1080p 範圍，影格率為每秒 24 至 60 幀、位元率為 1 至 30 Mbps，且兩個檔案都必須有大於 0 的經驗證片長。

若影片只有一人正對鏡頭，且快速處理及音訊對齊影片控制很有用，請選擇 Lite。較複雜的單人場景，尤其需要場景分段與說話者識別時，請選擇 Basic。

在 Lite 模式中，當目標音訊長於來源畫面時，音訊對齊可循環播放影片。只有開啟對齊時才可使用反向循環；模板開始值則決定來源序列的起點。Basic 模式不使用這些控制。

Rivya 依每個經驗證的音訊秒數收取 8 點積分，輸出片長會跟隨該音訊。小數片長會完整納入計算，只有預留總額會向上取整為整數積分。只有回報的實際用量有效且不高於預留額時，Rivya 才按實際用量精算並退回差額；實際用量缺失、無效或高於預留額時會進入對帳，不會觸發未揭露的額外扣款。

將一段現有的單人影片與一條目標人聲軌配對，讓畫面中的說話動作跟隨新音訊，同時保留來源畫面作為視覺基礎。

使用具有清楚可見說話者的支援 MP4 或 MOV 檔案，再準備乾淨的人聲軌。確認影片不超過 95 MB，且解析度、影格率與位元率位於列出的限制內。

簡單的正面畫面請先使用 Lite。若場景較複雜，或場景分段與說話者識別很有用，請使用 Basic。

模型詳細資訊可公開瀏覽，但上傳和生成需要登入。每個經驗證的音訊秒數為 8 點積分，結果會跟隨音訊片長，只有最終計算總額會向上取整。

若只測試一段來源影片和一條語音軌，可留在此頁面。需要儲存多次配音、重複處理語言或錄音、比較結果，或進行更長的在地化流程時，請開啟 Studio。