Wgraj jedno zdjęcie z widoczną twarzą i jedną ścieżkę audio, którą nagrałeś lub posiadasz. Narzędzie tworzy z tej pary MP4 z synchronizacją ust. To nie nałożenie zdjęcia i audio ani ogólny ruch obrazu do wideo.
Audio · wymagane
Wyraźnie widoczna twarz na zdjęciu poprawia szanse na dobrą synchronizację ust. To wskazówka, nie twarda blokada. Zaloguj się przed wgraniem.
Użyj zdjęcia z widoczną twarzą i czystej wgranej ścieżki. Wygenerowane MP4 zastąpi ten podgląd, gdy będzie gotowe.
Mówiące zdjęcie to krótkie MP4, w którym nieruchome zdjęcie wygląda, jakby mówiło w rytm głosu, który już masz. Wgrywasz jedno zdjęcie i jeden plik audio. Generator szacuje ruch ust na podstawie tej ścieżki i zapisuje nowe klatki wideo. Zdjęcie nie jest po prostu odtwarzane z dźwiękiem na wierzchu. Ogólny ruch obrazu do wideo, który wymyśla przesunięcie kamery albo pogodę z promptu, to inne zadanie.
Przydatnym wejściem jest fotografia, na której twarz jest wyraźna, dobrze oświetlona i nieprzecięta przez usta. Okulary przeciwsłoneczne, silne zasłonięcie, skrajny profil albo maleńka twarz w tłumie utrudniają synchronizację ust. To wskazówka jakościowa, nie twarda blokada. Obszar roboczy i tak przyjmie plik spełniający zasady rozmiaru i typu. Wynik pozostaje probabilistyczny. Zęby, język i krawędzie warg mogą się przesunąć. Tożsamość wokół szczęki może się złagodzić. Druga osoba w kadrze może przejąć resztkowy ruch. Sprawdź pobrany plik, zanim go opublikujesz.
Banana Pro AI rozlicza według długości audio zmierzonej przez serwer przy wgrywaniu, a nie według sekund pokazywanych przez odtwarzacz w przeglądarce. 32 kredytów na sekundę przy 720 i 48 kredytów na sekundę przy 1080. Rozliczana długość wynosi od jednej sekundy do 60 minus jeden. Ścieżki od 60 sekund wzwyż są odrzucane. MP3 o zmiennym bitrate bez czytelnych metadanych długości może zawieść, nawet gdy podgląd brzmi dobrze. Opcjonalny tekst podpowiedzi może mieć do 300 znaków. v1 nie dodaje syntezy mowy, klonowania głosu, ziarna ani maski.
Te kadry to zdjęcia źródłowe i plakaty nieruchome do zlecenia na mówiące zdjęcie. Nie są wygenerowanymi klipami z synchronizacją ust ani nagraniami na żywo. Użyj ich, aby ocenić, czy twoje zdjęcie jest podobnym wejściem.
Zdjęcie katalogowe lub z landing page z osobą trzymającą produkt, nagrane później jako mówiona prezentacja. Ścieżka mówiącego zdjęcia jest dla twarzy, która już jest na fotografii, plus ścieżki nagranej w cichym pokoju. Zadbaj, by etykieta produktu była czytelna. Nie oczekuj, że generator wymyśli drugi kąt kamery albo nową parę rąk.
Formalny portret z krótkim pozdrowieniem, które sam nagrałeś. Mówiące zdjęcie może przenieść zapamiętany głos na zdjęcie, do którego masz prawo. Nie przywróci osoby nieobecnej na fotografii i nie obiecuje idealnego dopasowania do każdego rodzinnego wspomnienia. Wgrywaj zgodnie z prawem. Potwierdź prawa, zanim wydasz kredyty.
Zdjęcie prezentera do kursu, FAQ albo klipu wsparcia. Wynik powinien zachować te same ubrania i tło, a usta podążać za wgraną ścieżką. Jeśli potrzebujesz nowego pomieszczenia, ujęcia w ruchu albo cięcia między slajdami, użyj obrazu do wideo lub nagranej sesji zamiast tego obszaru roboczego.
Przygotuj najpierw zdjęcie i ścieżkę. Kredyty są podawane dopiero po zmierzeniu audio przez serwer. Generowanie to śledzone zadanie, które możesz otworzyć ponownie w Moich pracach.
Wybierz JPG, PNG lub WebP do 10 MB, każdy bok co najmniej 256 pikseli. Twarz zajmująca rozsądną część kadru i zwrócona do kamery to uczciwy punkt wyjścia. Przytnij przed wgraniem, jeśli osoba jest maleńka.
Wgraj MP3, WAV, AAC, OGG lub M4A do 10 MB. Preferuj jednego mówcę i czytelny plik. Serwer zwraca rozliczane sekundy. Odtwarzacz na stronie to tylko podgląd. Ostrzeżenie pojawia się, gdy zmierzona długość przekracza 15 sekund. Twarde odrzucenie to 60 sekund lub więcej.
Domyślne wyjście to 1080 przy 48 kredytów na rozliczaną sekundę. 720 kosztuje 32 kredytów na rozliczaną sekundę. Potwierdź, że posiadasz zdjęcie i audio albo masz zgodę na ich użycie. Generator nie doda drugiego głosu ani nie sklonuje głosu z promptu.
Zaloguj się, wydaj podane kredyty i czekaj. Sprawdzanie stanu działa co kilka sekund i zatrzymuje się po piętnastu minutach. Ten sam identyfikator żądania można wznowić bez drugiego obciążenia. Jeśli zadanie zawiedzie, zarezerwowane kredyty wracają. Ponowna próba z Moich prac przywraca tylko podpowiedź i rozdzielczość. Musisz ponownie wgrać zdjęcie i audio.
Obejrzyj cały klip. Sprawdź pierwsze i ostatnie głoski, zęby oraz czy poruszyła się druga twarz. Pobierz przez Moje prace. Traktuj plik jako wersję roboczą, dopóki go nie obejrzysz. Mówiące zdjęcie nie zastępuje nagranego wywiadu, gdy liczy się dokładność prawna lub archiwalna.
Wybierz ścieżkę dopasowaną do materiałów, które już masz. Mówiące zdjęcie potrzebuje jednego zdjęcia i jednej wgranej ścieżki. Mówiący awatar to trwała postać. Obraz do wideo to ruch ze zdjęcia. Tradycyjne nagranie rejestruje prawdziwy występ na osi czasu.
| Mówiące zdjęcie vs mówiący awatar vs obraz do wideo vs tradycyjne nagranie | Najlepsze do | Kontrola | Kompromis |
|---|---|---|---|
| Mówiące zdjęcie | Prawdziwa fotografia jednej osoby plus nagrana ścieżka, którą możesz wgrać | Wybierasz zdjęcie, plik audio oraz 720 lub 1080. Długość wynika ze ścieżki | Synchronizacja ust może się przesunąć. Bez syntezy mowy, bez klonowania głosu, bez dodatkowego ruchu kamery poza tym, co model wymyśli wokół ust |
| Mówiący awatar | Wielokrotnego użytku prezentacja cyfrowa, która ma występować w wielu skryptach | Konfiguracja postaci i późniejsze ujęcia dzielą tożsamość, którą utrzymujesz | Nie wiążesz wyniku z jedną istniejącą fotografią. Strony awatarów to inny produkt |
| Obraz do wideo | Zdjęcie, które ma zyskać ruch kamery, pogodę albo powolny obrót produktu z pisanego promptu | Klatka początkowa, opcjonalna klatka końcowa, długość i prompt ruchu | Ustami nie steruje twoje audio. Nie używaj tego, gdy zadaniem jest mówiące zdjęcie |
| Tradycyjne nagranie | Wywiady, oświadczenia prawne i każde ujęcie, w którym prawdziwy występ musi istnieć na karcie | Światło, obiektywy, powtórki i montażysta na lokalnej osi czasu | Najwyższa wierność i najwyższy koszt produkcji. Żaden model nie zastąpi zdjęcia, którego wciąż potrzebujesz |
Wynik to wygenerowane MP4 z synchronizacją ust. To nie odzyskane nagranie z dnia wykonania zdjęcia. To nie bezstratna warstwa audio na JPEG-u. Jeśli twarz jest mała, obrócona lub zasłonięta, jakość synchronizacji zwykle spada. Jeśli audio jest zaszumione, przesterowane lub pełne nakładających się głosów, ruch ust to pokaże. Kredyty są rozliczane według sekund audio zmierzonych na serwerze. Czas podglądu w przeglądarce nie jest rachunkiem.
v1 wymaga pliku audio wgranego przez użytkownika. Nie ma pola syntezy mowy, klonowania głosu z próbki ani suwaka długości przy generowaniu. Ścieżki od 60 sekund wzwyż są odrzucane. Długość powyżej 15 sekund jest dozwolona w tym limicie i może wyglądać mniej stabilnie. Pliki MP3 o zmiennym bitrate bez czytelnych metadanych długości mogą zostać odrzucone, nawet jeśli działają w podglądzie.
Ograniczenia i przechowywanie
Uruchomienie po zalogowaniu tworzy śledzone zadanie. Po utracie połączenia możesz otworzyć wynik ponownie w Moich pracach bez dodatkowego obciążenia dla tego samego identyfikatora żądania. Obecny backend przechowywania nie ma automatycznego wygasania wgranych lub wygenerowanych obiektów. Usunięcie w Moich pracach miękko usuwa rekord zadania z historii konta. Nie usuwa obiektu źródłowego ani kopii dostawcy. Przeczytaj Politykę prywatności i Warunki korzystania, zanim wgrasz wrażliwe twarze lub prywatną mowę.
Moje prace · Polityka prywatności · Warunki korzystania
Biuro Praw Autorskich Stanów Zjednoczonych, Copyright and Artificial IntelligenceMateriały publiczne o kwestiach praw autorskich związanych ze sztuczną inteligencją. To nie porada prawna.Zostań na tej stronie, gdy masz jedno zdjęcie i jedną wgraną ścieżkę. Użyj powiązanych narzędzi, gdy zadaniem jest ruch ze zdjęcia, szerszy generator wideo albo tożsamość awatara.
Ożyw zdjęcie promptem ruchu, gdy usta nie mają podążać za plikiem audio
Obraz do wideo AIPrzejrzyj szerszy generator wideo, gdy wciąż wybierasz materiał startowy
Generator wideo AIUtwórz awatar wielokrotnego użytku, gdy potrzebujesz postaci, a nie jednej fotografii
Generator awatarów AIProste odpowiedzi o synchronizacji ust sterowanej audio, kredytach, limitach długości i tym, czego ta strona nie robi.
MP4 z synchronizacją ust z jednego zdjęcia i jednej wgranej ścieżki audio. Ustami steruje ta ścieżka. Zdjęcie nie jest odtwarzane jako pokaz slajdów z dźwiękiem na wierzchu.
W v1 tak. Obszar roboczy wymaga zdjęcia i wgranego przez użytkownika pliku MP3, WAV, AAC, OGG lub M4A. Nie ma pola syntezy mowy ani klonowania głosu.
Według rozliczanych sekund zmierzonych przez serwer przy wgrywaniu audio. 32 kredytów na sekundę przy 720. 48 kredytów na sekundę przy 1080. Domyślna rozdzielczość to 1080. Czas odtwarzacza to tylko podgląd.
Krótsze niż 60 sekund. Ostrzeżenie pojawia się powyżej 15 sekund. 60 sekund lub więcej jest odrzucane. Pliki powyżej 10 MB są odrzucane. MP3 VBR bez czytelnych metadanych długości może zawieść.
Wyraźnie widoczna twarz jest zdecydowanie zalecana. To nie twarda blokada programu. Zasłonięte lub maleńkie twarze zwykle dają słabszą synchronizację ust. Sprawdź wynik.
Nie. Obraz do wideo wymyśla ruch z promptu. Mówiące zdjęcie wiąże występ z twoim wgranym audio. Użyj obrazu do wideo, gdy chcesz ruch kamery bez ścieżki głosowej.
Wgraj zdjęcie, którego możesz użyć, wgraj audio, wybierz 720 lub 1080 i sprawdź MP4 z synchronizacją ust przed udostępnieniem.
Otwórz obszar roboczy