Lade ein Foto mit sichtbarem Gesicht und eine Audiodatei hoch, die du aufgenommen hast oder besitzt. Das Tool erstellt aus diesem Paar ein Lip-Sync-MP4. Es ist keine Überlagerung aus Standbild und Audio und keine allgemeine Bild-zu-Video-Bewegung.
Audio · erforderlich
Ein klar sichtbares Gesicht im Standbild verbessert die Lippensynchronisation. Das ist ein Hinweis, keine harte Sperre. Melde dich vor dem Hochladen an.
Nutze ein Standbild mit sichtbarem Gesicht und eine saubere hochgeladene Spur. Das generierte MP4 ersetzt diese Vorschau, sobald es bereit ist.
Ein sprechendes Foto ist ein kurzes MP4, in dem ein Standbild scheinbar mit einer Stimme spricht, die du bereits hast. Du lädst ein Foto und eine Audiodatei hoch. Der Generator schätzt aus dieser Spur die Mundbewegung und schreibt neue Videobilder. Das Standbild wird nicht einfach mit daruntergelegtem Ton abgespielt. Die allgemeine Bild-zu-Video-Bewegung, die aus einem Prompt eine Kamerafahrt oder Wetter erfindet, ist eine andere Aufgabe.
Die brauchbare Eingabe ist ein Foto, auf dem ein Gesicht klar sichtbar und gut beleuchtet ist und der Mund nicht abgeschnitten wird. Sonnenbrillen, starke Verdeckung, extremes Profil oder ein winziges Gesicht in einer Menschenmenge erschweren die Lippensynchronisation. Das ist ein Qualitätshinweis, keine harte Sperre. Der Arbeitsbereich akzeptiert trotzdem eine Datei, die Größen- und Formatregeln erfüllt. Ergebnisse bleiben probabilistisch. Zähne, Zunge und Lippenränder können abweichen. Die Identität rund um den Kiefer kann weicher werden. Eine zweite Person im Bild kann Restbewegung aufnehmen. Prüfe den Download, bevor du ihn veröffentlichst.
Banana Pro AI rechnet nach der Audiodauer ab, die der Server beim Upload misst, nicht nach den Sekunden, die ein Browser-Player anzeigt. 32 Credits pro Sekunde bei 720 und 48 Credits pro Sekunde bei 1080. Die abgerechnete Länge reicht von einer Sekunde bis 60 minus eins. Spuren ab 60 Sekunden werden abgelehnt. Eine MP3 mit variabler Bitrate ohne lesbare Dauer-Metadaten kann fehlschlagen, obwohl die Vorschau gut klingt. Der optionale Hinweistext darf bis zu 300 Zeichen lang sein. v1 bietet kein Text-to-Speech, keinen Stimmklon, keinen Seed und keine Maske.
Diese Bilder sind Ausgangsbilder und Standposter für einen Sprechendes-Foto-Auftrag. Sie sind keine generierten Lip-Sync-Clips und keine Live-Aufnahmen. Nutze sie, um einzuschätzen, ob dein eigenes Bild eine ähnliche Eingabe ist.
Ein Katalog- oder Landingpage-Bild einer Person mit einem Produkt, später als gesprochene Vorstellung aufgenommen. Der Sprechendes-Foto-Weg ist für ein Gesicht gedacht, das bereits auf dem Foto ist, plus eine Spur, die du in einem ruhigen Raum aufgenommen hast. Halte das Produktetikett lesbar. Erwarte nicht, dass der Generator einen zweiten Kamerawinkel oder ein neues Paar Hände erfindet.
Ein formelles Porträt mit einem kurzen Gruß, den du selbst aufgenommen hast. Ein sprechendes Foto kann eine erinnerte Stimme auf ein Bild übertragen, das du verwenden darfst. Es kann keine Person wiederherstellen, die nicht auf dem Foto ist, und keinen perfekten Abgleich mit jeder Familienerinnerung versprechen. Halte den Upload rechtmäßig. Prüfe die Rechte, bevor du Credits ausgibst.
Ein Moderatorbild für einen Kurs, eine FAQ oder einen Support-Clip. Die Ausgabe sollte dieselbe Kleidung und denselben Hintergrund behalten, während der Mund deiner hochgeladenen Spur folgt. Wenn du einen neuen Raum, eine gehende Aufnahme oder einen Schnitt zwischen Folien brauchst, nutze Bild-zu-Video oder eine gefilmte Sitzung statt dieses Arbeitsbereichs.
Bereite zuerst das Standbild und die Spur vor. Credits werden erst genannt, nachdem der Server das Audio gemessen hat. Die Generierung ist eine verfolgte Aufgabe, die du in Meine Kreationen erneut öffnen kannst.
Wähle JPG, PNG oder WebP bis 10 MB, jede Seite mindestens 256 Pixel. Ein Gesicht, das einen sinnvollen Teil des Bildes füllt und zur Kamera blickt, ist der ehrliche Ausgangspunkt. Schneide vor dem Upload zu, wenn die Person winzig ist.
Lade MP3, WAV, AAC, OGG oder M4A bis 10 MB hoch. Bevorzuge eine einzelne Sprecherin oder einen Sprecher und eine klar lesbare Datei. Der Server liefert die abgerechneten Sekunden. Der Player auf der Seite ist nur eine Vorschau. Ein Hinweis erscheint, wenn die gemessene Länge über 15 Sekunden liegt. Hart abgelehnt wird ab 60 Sekunden.
Die Standardausgabe ist 1080 mit 48 Credits pro abgerechneter Sekunde. 720 kostet 32 Credits pro abgerechneter Sekunde. Bestätige, dass du das Foto und das Audio besitzt oder die Erlaubnis zur Nutzung hast. Der Generator fügt keine zweite Stimme hinzu und klont keine Stimme aus einem Prompt.
Melde dich an, gib die genannten Credits aus und warte. Statusprüfungen laufen alle paar Sekunden und pausieren nach fünfzehn Minuten. Dieselbe Anfrage-ID kann ohne zweite Belastung fortgesetzt werden. Scheitert die Aufgabe, kommen reservierte Credits zurück. Ein Retry aus Meine Kreationen stellt nur Hinweis und Auflösung wieder her. Foto und Audio musst du erneut hochladen.
Sieh dir den ganzen Clip an. Prüfe den ersten und letzten Laut, die Zähne und ob sich ein zweites Gesicht bewegt hat. Lade über Meine Kreationen herunter. Behandle die Datei als Entwurf, bis du sie gesehen hast. Ein sprechendes Foto ersetzt kein gefilmtes Interview, wenn rechtliche oder archivarische Genauigkeit zählt.
Wähle den Weg, der zu deinem vorhandenen Material passt. Ein sprechendes Foto braucht ein Standbild und eine hochgeladene Spur. Ein sprechender Avatar ist eine dauerhafte Figur. Bild-zu-Video erzeugt Bewegung aus einem Standbild. Die klassische Aufnahme fängt eine echte Performance auf einer Timeline ein.
| Sprechendes Foto vs. sprechender Avatar vs. Bild-zu-Video vs. klassische Aufnahme | Am besten für | Kontrolle | Kompromiss |
|---|---|---|---|
| Sprechendes Foto | Ein echtes Foto einer Person plus eine aufgenommene Spur, die du hochladen kannst | Du wählst Standbild, Audiodatei und 720 oder 1080. Die Dauer kommt aus der Spur | Die Lippensynchronisation kann abweichen. Kein TTS, kein Stimmklon, keine zusätzliche Kamerabewegung außer dem, was das Modell um den Mund erfindet |
| Sprechender Avatar | Eine wiederverwendbare digitale Moderatorin oder ein Moderator für viele Skripte | Die Figureneinrichtung und spätere Takes teilen eine Identität, die du pflegst | Die Ausgabe ist nicht an ein vorhandenes Foto gebunden. Avatar-Seiten sind ein anderes Produkt |
| Bild-zu-Video | Ein Standbild, das aus einem geschriebenen Prompt Kamerabewegung, Wetter oder einen langsamen Produktorbit erhalten soll | Startbild, optionales Endbild, Dauer und ein Bewegungsprompt | Der Mund wird nicht von deinem Audio gesteuert. Nutze es nicht, wenn die Aufgabe ein sprechendes Foto ist |
| Klassische Aufnahme | Interviews, rechtliche Aussagen und jeder Take, bei dem die echte Performance auf einer Karte liegen muss | Licht, Objektive, Wiederholungen und ein Schnitt auf einer lokalen Timeline | Höchste Genauigkeit und höchste Produktionskosten. Kein Modell ersetzt einen Dreh, den du weiterhin brauchst |
Die Ausgabe ist ein generiertes Lip-Sync-MP4. Sie ist keine wiedergefundene Aufnahme vom Tag des Standbilds. Sie ist keine verlustfreie Tonspur über dem JPEG. Ist das Gesicht klein, gedreht oder verdeckt, sinkt die Synchronqualität meist. Ist das Audio verrauscht, übersteuert oder voller überlappender Stimmen, zeigt die Mundbewegung das. Credits werden nach serverseitig gemessenen Audiosekunden abgerechnet. Die Vorschaudauer im Browser ist nicht die Rechnung.
v1 verlangt eine vom Nutzer hochgeladene Audiodatei. Es gibt kein Text-to-Speech-Feld, keinen Stimmklon aus einer Probe und keinen Dauerregler beim Generieren. Spuren ab 60 Sekunden werden abgelehnt. Eine Länge über 15 Sekunden ist unter dieser Grenze erlaubt und kann instabiler wirken. MP3 mit variabler Bitrate ohne Dauer-Metadaten können abgelehnt werden, obwohl sie in der Vorschau laufen.
Grenzen und Speicherung
Ein angemeldeter Lauf erzeugt eine verfolgte Aufgabe. Nach einem Verbindungsabbruch kannst du das Ergebnis in Meine Kreationen erneut öffnen, ohne erneute Belastung für dieselbe Anfrage-ID. Der aktuelle Speicher-Backend hat kein automatisches Ablaufdatum für hochgeladene oder generierte Objekte. Löschen in Meine Kreationen entfernt den Aufgaben-Datensatz aus der Kontohistorie weich. Es löscht nicht das zugrunde liegende Objekt oder eine Anbieterkopie. Lies die Datenschutzerklärung und die Nutzungsbedingungen, bevor du sensible Gesichter oder private Sprache hochlädst.
Meine Kreationen · Datenschutzerklärung · Nutzungsbedingungen
Urheberrechtsamt der Vereinigten Staaten, Copyright and Artificial IntelligenceÖffentliche Materialien zu Urheberrechtsfragen bei künstlicher Intelligenz. Keine Rechtsberatung.Bleib auf dieser Seite, wenn du ein Standbild und eine hochgeladene Spur hast. Nutze die verwandten Tools, wenn es um Bewegung aus einem Standbild, einen breiteren Videogenerator oder eine Avatar-Identität geht.
Belebe ein Standbild mit einem Bewegungsprompt, wenn der Mund nicht einer Audiodatei folgen soll
Bild zu Video KISieh dir den breiteren Videogenerator an, wenn du das Startmaterial noch wählst
KI-VideogeneratorErstelle einen wiederverwendbaren Avatar, wenn du eine Figur statt eines einzelnen Fotos brauchst
KI-Avatar-GeneratorKlare Antworten zu audiogesteuerter Lippensynchronisation, Credits, Längengrenzen und dazu, was diese Seite nicht leistet.
Ein Lip-Sync-MP4 aus einem Standbild und einer hochgeladenen Audiospur. Der Mund wird von dieser Spur gesteuert. Das Standbild wird nicht als Diashow mit Ton darüber abgespielt.
In v1 ja. Der Arbeitsbereich verlangt ein Foto und eine vom Nutzer hochgeladene Datei im Format MP3, WAV, AAC, OGG oder M4A. Es gibt kein TTS-Feld und keinen Stimmklon.
Nach den abgerechneten Sekunden, die der Server beim Audio-Upload misst. 32 Credits pro Sekunde bei 720. 48 Credits pro Sekunde bei 1080. Die Standardauflösung ist 1080. Die Player-Dauer ist nur eine Vorschau.
Kürzer als 60 Sekunden. Über 15 Sekunden erscheint ein Hinweis. Ab 60 Sekunden wird abgelehnt. Dateien über 10 MB werden abgelehnt. Eine VBR-MP3 ohne lesbare Dauer-Metadaten kann fehlschlagen.
Ein sichtbares Gesicht wird stark empfohlen. Es ist keine harte Software-Sperre. Verdeckte oder winzige Gesichter ergeben meist schwächere Lippensynchronisation. Prüfe das Ergebnis.
Nein. Bild-zu-Video erfindet Bewegung aus einem Prompt. Ein sprechendes Foto bindet die Performance an dein hochgeladenes Audio. Nutze Bild-zu-Video, wenn du eine Kamerafahrt ohne Tonspur willst.
Lade ein Foto hoch, das du nutzen darfst, lade das Audio hoch, wähle 720 oder 1080 und prüfe das Lip-Sync-MP4, bevor du es teilst.
Arbeitsbereich öffnen